在遇到神經網絡之前，我一直認為它是一個巨大而複雜的黑匣子，能夠感知事物，思考以及像我們人類那樣做出決定，但現在我知道了。
大多數人，特別是那些只聽說過人工智能（AI）的人，認為神經網絡（人工智能系統的“大腦”）的工作方式與人腦大致相同。這種關於神經網絡的印象，也稱為人工神經網絡，可能起源於大多數專業人士（工業界和學術界）和作者（書籍，博客文章和文章）試圖描繪它的方式，使人們好像在思考人工智能系統與超級人類相當！
在我遇到神經網絡之前，我一直認為它是一個龐大而複雜的黑匣子，能夠感知事物，思考並決定我們人類做出的決定。這也是大多數人的看法，甚至有些人甚至開始認為計算機是一臺“可以思考的機器”，而不是眾所周知的它是一臺“無法思考的機器”的概念。直到（通過說明或代碼）告知這樣做“。但是我已經神秘化了，我覺得還需要與你們分享神經網絡的本質。在本文中，我將逐位解釋神經網絡的組件。
如前所述，神經網絡的大多數定義都經過調整，以便操縱我們的思想，使其相信它實際上與大腦的工作方式相同。但是，儘管如此，我發現這個定義還算公平，只是簡單地稱之為spade：
人工神經網絡 （ ANN ）或 連接 系統 是由 構成動物大腦的生物神經網絡 模糊地啟發的計算系統。神經網絡本身不是算法，而是許多不同機器學習算法的框架，它們協同工作並處理複雜的數據輸入。
實際上，人工神經網絡只不過是一個預測模型，它利用數學和統計公式根據事件發生的概率進行猜測。它需要大量標記數據，處理數據，識別數據中的重複模式，並使用它來進行預測。有人可能會問，“這與我們大腦的工作方式不同嗎？” 沒有！它不是，你會理解為什麼通過理解神經網絡的組成及其運作方式。
神經網絡由三個不同的節點層組成，這些節點通過稱為權重的參數連接。每個層執行一項獨特的任務，將任何一項加在一起，使網絡能夠進行預測。這些層即輸入層，隱藏層和輸出層。
三層神經網絡
他們是如何工作的？繼續閱讀！Ĵ
輸入層
這是神經網絡中的第一層，它的任務只是抓取必須已轉換為數字的數據，然後將其與權重相乘，添加偏差，然後將結果傳遞給下一層（隱藏）層）。權重是將每個節點連接到下一層中的另一個節點的數值（即，它表示層之間的連接），而Bias也是在將結果傳遞給隱藏層之前添加到結果中的單個數值。
隱藏層
隱藏層是數據的大多數數學操作發生的地方。該層的功能是從輸入層獲取結果數據，然後對數據應用數學函數，這導致單個概率值可以饋送到下一層（可能是另一個隱藏層或輸出層）。神經網絡可能非常簡單，只有一個隱藏層（在神經網絡的現實世界應用中最不可能）或複雜到足以擁有數千甚至數百萬，數百萬隱藏層，每個隱藏層重複相同應用相同數學函數然後添加
偏差的任務。具有多個隱藏層的想法是細化概率，使得網絡的預測/猜測可以如此接近現實。根據當前標準，該層使用的數學函數是以下三個函數之一：Sigmoid函數，切向雙曲函數和整流線性單位（ReLU）。
在使用上述函數之一（不包括閾值）來細化概率之後，結果被傳遞到輸出層。
輸出層
該層主要獲取隱藏層提供的概率，找到平均值然後進行預測。如果神經網絡預測兩個對象/類中的一個，則它可以具有單個輸出單元/節點，它還可以具有多個輸出單元/節點，其對應於要預測的對象/類的數量（多於兩個）。
顯而易見的是，我們的大腦與神經網絡之間存在巨大差異，確實存在巨大差異。我現在意識到，雖然我們的大腦完全瞭解我們用於預測的數據的上下文，但神經網絡除了將公式應用於數據束以產生我們稱之為的概率/猜測之外什麼都不知道。預測。雖然我們的大腦會因為它接觸到的數據而產生原因，但神經網絡對數據沒有任何意義，而是接受輸入，應用公式併產生輸出 - 僅此而已！
