本文转载自微信公众号《智彬的python笔记》，作者安可。转载本文请联系志斌python笔记公众号。大家好，我是志斌~今天给大家分享一些人工神经网络的基础知识~深度学习（DL）在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术等相关领域取得了很多成果。人工智能相关技术取得长足进步。学习深度学习，首先要熟悉神经网络的一些基本概念。人工神经网络的基本思想是仿生学。1.神经元模型人工神经网络是受人脑结构的启发而创建的。如图所示，神经网络算法模仿了上面的网络结构。下图是人工神经网络的构造图。每个圆圈代表一个神经元，它们连接起来形成一个网络。人脑神经元细胞的树突从外界接受多种不同强度的刺激，在神经元细胞体内进行加工，然后转化为输出结果。人工神经元也有类似的工作原理，如图：上图中，x为神经元的输入，相当于树突接受了多个外界刺激。w是每个输入对应的权重，影响每个输入x的刺激强度；b代表阈值，用来影响预测结果；z是预测结果。2、MP模型01的激活函数是什么：激活函数（Activationfunctions）在神经元中，输入数据经过加权求和后，还要应用一个函数，这就是激活函数。Why（为什么使用）：引入激活函数是为了增加神经网络模型的非线性。没有激活函数的每一层都相当于一个矩阵乘法。引入非线性因子，使神经网络可以任意逼近任意非线性函数，从而使神经网络可以适用于多种非线性模型。常用激活函数：①Sigmoid函数：常用作神经网络的阈值函数，将变量映射在0和1之间，公式如下：其形象如下：②Tanh函数Tanh()是由基本双曲函数导出双曲正弦和双曲余弦。公式如下：其形象如图所示：③ReLU函数用于隐藏层神经元的输出。公式如下：其形象如下：02MP模型参数说明：模拟外界刺激为；模拟每个树突对输入的刺激处理，作为给输入赋予一定的权重（）；模拟核对输入的处理为一个带有bias()的求和过程，利用激活函数()对求和结果进行非线性变换，得到y。公式表示如下：向量形式如下：数学理解：设神经元的输出y为输入函数；公式解释：对f(X1,X2,...,Xm)进行泰勒展开，然后进行二阶和三阶偏，相当于一个一阶泰勒近似。3.总结人工神经网络和人脑一样，网络越复杂，功能越强大；层数越多，构建的神经网络越复杂。用于训练的数据越多，需要层数非常多的网络来实现。本文仅代表本人对人工神经网络的看法，如有错误请指出~
