神经网络

目录：
1、神经元模型
2、神经元结构

1、神经元模型
神经元模型的使用可以这样理解：
（1）我们有一个数据，称之为样本。样本有四个属性，其中三个属性已知，一个属性未知。我们需要做的就是通过三个已知属性预测未知属性。
　　（2）具体办法就是使用神经元的公式进行计算。三个已知属性的值是a1，a2，a3，未知属性的值是z。z可以通过公式计算出来。
　　（3）这里，已知的属性称之为特征，未知的属性称之为目标。假设特征与目标之间确实是线性关系，并且我们已经得到表示这个关系的权值w1，w2，w3。那么，我们就可以通过神经元模型预测新样本的目标。

2、神经元结构
（1）神经元模型是一个包含输入，输出与计算功能的模型。输入可以类比为神经元的树突，而输出 可以类比为神经元的轴突，计算则可以类比为细胞核。
（2）下图是一个典型的神经元模型：包含有3个输入，1个输出，以及2个计算功能。
　 注意中间的箭头线。这些线称为“连接”。每个上有一个“权值”。

（3）连接是神经元中最重要的东西。每一个连接上都有一个权重。
（4）一个神经网络的训练算法就是让权重的值调整到最佳，以使得整个网络的预测效果最好。
（5）我们使用a来表示输入，用w来表示权值。一个表示连接的有向箭头可以这样理解：在初端，传递的信号大小仍然是a，端中间有加权参数w，经过这个加权后的信号会变成aw，因此在连接的末端，信号的大小就变成了aw。
（6）在其他绘图模型里，有向箭头可能表示的是值的不变传递。而在神经元模型里，每个有向箭头表示的是值的加权传递。

（7）如果我们将神经元图中的所有变量用符号表示，并且写出输出的计算公式的话，就是下图。

（8）可见z是在输入和权值的线性加权和叠加了一个函数g的值。在MP模型里，函数g是sgn函数，也就是取符号函数。这个函数当输入大于0时，输出1，否则输出0。
（9）下面对神经元模型的图进行一些扩展。首先将sum函数与sgn函数合并到一个圆圈里，代表神经元的内部计算。其次，把输入a与输出z写到连接线的左上方，便于后面画复杂的网络。最后说明，一个神经元可以引出多个代表输出的有向箭头，但值都是一样的。
（10）神经元可以看作一个计算与存储单元。计算是神经元对其的输入进行计算功能。存储是神经元会暂存计算结果，并传递到下一层。

（11）当我们用“神经元”组成网络以后，描述网络中的某个“神经元”时，我们更多地会用“单元”（unit）来指代。同时由于神经网络的表现形式是一个有向图，有时也会用“节点”（node）来表达同样的意思。

学习链接：https://www.cnblogs.com/subconscious/p/5058741.html.