神经网络（Neural Network）

神经网络（Neural Network）是一种受人脑神经元结构启发的机器学习模型，由大量相互连接的「节点」分层组成，能够从数据中自动学习规律，完成识别、分类、预测和生成等任务。

概述

神经网络的基本思想是模拟生物神经元的工作方式：每个人工神经元接收若干输入，对其加权求和后经过一个激活函数产生输出，再传递给下一层神经元。典型的神经网络分为输入层、隐藏层和输出层，层数越多、结构越复杂，模型能表达的规律通常也越丰富。

训练神经网络的核心方法是「反向传播」：先让网络对样本做出预测，再计算预测与正确答案之间的误差，然后沿网络反向逐层调整连接权重，使误差不断减小。经过大量数据的反复训练，网络就能学会从输入到输出的映射关系。

当隐藏层数量较多时，这类模型被称为深度神经网络，相关技术统称「深度学习」。近年来大热的 ChatGPT、文生图模型等生成式 AI，其底层都是规模巨大的神经网络，因此神经网络被视为现代人工智能的基石。

主要特点

• 自动学习特征：无需人工设计规则，网络能从数据中自行提取有用特征。
• 通用性强：同一套框架可用于图像、语音、文本、推荐等截然不同的任务。
• 依赖数据与算力：效果好坏与训练数据规模和 GPU 等算力资源密切相关。
• 可解释性较弱：内部权重难以直观理解，常被称为「黑箱」模型。

常见类型

常见的神经网络结构包括：擅长处理图像的卷积神经网络（CNN）、适合序列数据的循环神经网络（RNN），以及目前大语言模型普遍采用的 Transformer 架构。不同结构针对不同数据形态做了优化，实际应用中往往互相组合。

常见问题

问：神经网络和人脑一样吗？答：不一样。它只是借鉴了神经元连接的抽象思想，本质是数学函数和矩阵运算，与真实大脑的工作机制相差甚远。

问：神经网络、深度学习、大模型是什么关系？答：神经网络是基础模型结构，深度学习指训练多层神经网络的方法，大模型则是参数规模极大的深度神经网络，三者层层递进。

问：学习神经网络需要什么基础？答：建议先掌握 Python 编程和基本的线性代数、概率知识，再借助 PyTorch 或 TensorFlow 等框架动手实践入门项目。