一、神经网络的定义
神经网络（Neural Network）是一种受生物大脑神经元结构启发的机器学习模型，由多层相互连接的“神经元”组成，能够通过数据自动学习复杂的模式和关系。它通过调整神经元之间的连接权重（参数）来优化预测或分类任务，广泛应用于图像识别、自然语言处理等领域。
通俗理解
你可以把神经网络想象成一个“多级信息加工厂”：输入数据（比如一张猫的图片）经过层层“车间”（神经元层），每一层提取不同特征（如边缘→花纹→猫耳朵），最终输出结果（“这是猫！”）。训练过程就是不断纠正错误，让工厂越来越精准。
1. 神经网络的发展历程
起源：算法试图模仿大脑的工作原理。
早期应用：20世纪80年代至90年代初被使用，但在90年代末逐渐失去关注。
复兴：约从2005年开始重新兴起。
应用演进：列举了其应用领域的扩展方向，如语音→图像→文本（自然语言处理/NLP）等。
2. 神经元的结构与信号传递（生物神经元图解）
输入部分（inputs）：
列出了生物神经元的结构，包括细胞体（cell body）、细胞核（nucleus）、轴突（axon）和树突（dendrites）。
输出部分（outputs）：
指向另一个神经元（another neuron），下方附有一长串数字（如
2 → 0.7 → ...），模拟神经信号传递的数值化表示。
3. 处理器性能与AI发展的关系
二、神经网络结构
1. 需求预测
核心问题：判断商品是否为「top seller」（是/否分类问题）。
使用函数：「sigmoid」函数：
公式形式为逻辑回归的变体，输入为价格（x），输出为成为「top seller」的概率（a）。
变量说明：
x 表示价格，输出 a 是概率值（0到1之间）。
① 神经网络结构
输入层：包含多个特征：
价格（price）
运费（shipping cost）
营销力度（marketing）
材料（material）
隐藏层：
标注为 "layer"（未明确层数），提到「可包含多个神经元」（can have multiple neurons）。
激活值（activations）被特别强调，可能是ReLU、sigmoid等函数的结果。激活值有三个，或许将输入层的4个特征转成3个特征（分别是“支付能力(affordability)”，“市场认知度(awareness)”，“感知质量(perceived quality)”）
可能就是第一个神经元里面是price和marketing结合
输出层：
生成一个概率值（probability of being a top seller），对应「1 number」。
② 数据维度提示
图中标注了各层可能的输出维度：
隐藏层激活值：4个数字 → 3个数字（可能表示两层隐藏层，神经元数量递减）。
输出层：1个数字（最终概率）。
③ 把特征看成向量
④ 多个隐藏层（多层感知机）
结构组成：
输入层（input）
多个隐藏层（1st hidden layer, 2nd hidden layer, 3rd hidden layer）
输出层（output layer）
连接方式：
展示了从输入到输出的单向流动（x →）
隐藏层数量最多到第三层
2. 人脸识别
① 图像处理
这是一张 1000×1000 像素的图像，其中每一个像素表示的是该像素点的特征。首先是对该图像展开，形成一个 1,000,000 个特征到输入层
② 神经网络结构
输入层：包含
1,000,000个特征：隐藏层：
第一个隐藏层：处理边缘、纹理等低级特征（如卷积核检测到的线条）
第二个隐藏层：处理五官结构等语义特征（如眼睛、鼻子的空间组合）
第三个隐藏层：处理面部特征
输出层：
生成一个人名（probability of being person 'XYZ'）。
3. 汽车分类
这个与人脸识别也是同样的原理