1.2 神经网络通俗解析

神经网络是现代 AI 的灵魂。理解它并不需要复杂的数学背景，我们可以用一个“多层决策系统”来形象化理解。

基本结构

一个简单的神经网络通常包含三类层：

1. 输入层 (Input Layer)：接收原始数据（如图像的一个像素，或一个单词的向量）。
2. 隐藏层 (Hidden Layers)：进行复杂的数学运算和模式匹配。这是 AI “思考”的部分。
3. 输出层 (Output Layer)：给出最终结论（如“这是一只猫”或“预测下一个词是‘学习’”）。

工作流程：前向传播与反向传播

• 前向传播 (Forward Propagation)：信号从输入流向输出，产生一个预测结果。
• 反向传播 (Backpropagation)：将预测结果与真实情况对比，找出误差，并将误差“甩”回给神经网络中的各个节点。
• 权重更新 (Weights Update)：节点根据收到的误差调整自己的参数（权重），使得下次预测更准。

这就是机器学习的“学习”过程——不断地尝试、报错、调整、变精。