今天我們來討論當下最熱門的神經網絡，現在深度學習炒的非常火，其實本質還是把神經網絡算法進行了延伸和優化！咱們這回的目標就直入主題用最簡單的語言讓大家清楚神經網絡究竟是個什么東西。關于神經網絡與人工智能的發展，以及神經網絡各種生物學模型咱們就不嘮了，我是覺得把神經網絡比作各種類人腦模型和生物學模型沒有半點助于咱們理解，反而把簡單的問題復雜了，這些恩怨情仇咱們就不過多介紹了！

這張圖就是我們的核心了，也是整個神經網絡的架構，只要能理解這個，那就OK了！首先我們來觀察整個結構，發現在神經網絡中是存在多個層的，有輸入層，隱層1，隱層2，輸出層。那么我們想要得到一個合適的結果，就必須通過這么多層得到最終的結果，在這里咱們先來考慮一個問題，神經網絡究竟做了一件什么事？

如果你想做一個貓狗識別，大家首先想到了神經網絡，那它是怎么做的呢？先來想想咱們人類是怎么分辨的，是不是根據貓和狗的特征是不一樣的，所以我們可以很輕松就知道什么事貓什么是狗。既然這樣，神經網絡要做的事跟咱們一樣，它也需要知道貓的特征是什么，狗的特征是什么，這么多的層次結構其實就做了一件事，進行特征提取，我們希望網絡結構能更好的識別出來我們想要的結果，那勢必需要它們能提取處最合適的特征，所以神經網絡的強大之處就在于它可以幫助我們更好的選擇出最恰當的特征。

在第一張圖中我們定義了多層的結構，在這里有一個概念叫做神經元，那么神經元真的存在嗎？像大腦一樣？其實就是一個權重參數矩陣，比如你有一個輸入數據。它是由3個特征組成的，我們就說輸入是一個batchsize*3的矩陣，（batchsieze是一次輸入的數據量大小），那既然要對輸入提取特征，我們就需要權重參數矩陣W了，在圖中神經元的意思就是我們要把這個3個特征如何變幻才能得到更好的信息表達，比如中間的第一個隱層有4個神經元，那么我們需要的第一個權重參數矩陣W1就是3 * 4，表示通過矩陣鏈接后得到的是batchsize * 4的特征，也就是說我們將特征進行的變換，看起來好像是從3變到了4只增加了一個，但是我們的核心一方面是特征的個數，這個我們可以自己定義神經元的個數。另一方面我們關注的點在于，什么樣的權重參數矩陣W1才能給我得到更好的特征，那么神經網絡大家都說它是一個黑盒子，原因就在于權重參數矩陣W1內部是很難解釋的，其實我們也不需要認識它，只要計算機能懂就OK了。那么這一步是怎么做的呢？計算機怎么得到最好的權重參數W1幫我們完成了特征的提取呢？這一點就要靠反向傳播與梯度下降了，簡單來說就是我們告訴神經網絡我的目標就是分辨出什么是貓什么是狗，然后神經網絡就會通過大量的迭代去尋找最合適的一組權重參數矩陣。