资讯详情

　　前面讲了为什么需要神经网络，这篇主要是讲讲什么是神经网络

      神经网络之前听起来非常的高大上，感觉懂这些的都很牛逼，于是便趁着这次学习AI的相关知识好好了解清楚

      一、什么是神经网络

      神经网络是由很多神经元组成的。所以先要了解神经元的结构。

      在打篮球的时候，你接到球，你会根据场上的情况（也就是各类信号，比如防守人是比你小，队友是否由空位等等），根据具体的情况做出判断，是进行投篮还是传球，假如队友没有空位那你就选择投篮，那就把把投篮这个信号发给大脑，然后进行投篮，投篮需要多大力度，投篮的细节等等就在输出的时候进行做出。

      神经元的组成是:输入（接收信号）-->隐藏层 (Hidden Layers)  (处理)-->输出。 

      输入层(接收信号）: 接收多个“信号源” 人类神经元会接收来自其他神经元的电信号，而神经网络里的“人工神经元”，接收的是各种“数据信号”。就好比一个公司的底层员工。

      隐藏层（计算，判断）:处理层会先把“所有输入信号×对应权重”的结果加起来，得到一个“总信号值”；然后通过一个“激活函数”做判断——如果总信号值达到某个阈值；如果没达到阈值，就压制这个信号，不传递（比如“突破的总信号值太低，就放弃突破”）。这正好对应你说的“想要的信号就增强，不想要的就压制”。好比一个公司的中层领导。

      输出层: 给出明确的结果：激活后的信号会传递出去，成为下一层神经元的输入，或者直接给出最终结果（比如你例子里的“投篮”“传球”“突破”就是最终输出）。 好比公司的总经理，进行拍版决

      神经网络的本质是:通过多层神经元的协同工作，给输入信号分配权重、筛选有效信号，最终通过判断得出准确判断或预测模型。

       

　　再把刚刚那个打球的例子细化一下：

　　输入层 (Input Layer) —— “只看原始数据”（底层的面包片）

　　这一层不做任何思考，只负责把球场上的实时场景信息“数字化”，变成计算机能识别的原始数据，喂给后续的“决策大脑”。

　　　　- 输入节点 $x_1$（自身与篮筐距离）：3米（数字化为 3）

　　　　- 输入节点 $x_2$（防守球员距离）：1.5米（数字化为 1.5）

　　　　- 输入节点 $x_3$（队友空位情况）：左侧队友有空位、右侧队友被盯防（数字化为：左侧1，右侧0，合并为 [1,0]）

　　　　- 输入节点 $x_4$（篮球掌控度）：抓稳、无滑动（数字化为 0.9）

　　对应原理：此时这些只是一堆散乱的数字（3、1.5、[1,0]、0.9），没有任何“决策意义”，需要后续层加工。   

　　隐藏层 (Hidden Layer) —— “不同角度的决策助理”（中间的肉和菜，核心夹层）

　　　　这是最关键的一层，负责把原始数据转化成“有决策价值的高级特征”。我们可以把隐藏层的每个神经元，想象成三个不同偏好的“篮球决策助理”，每人手里都有自己的“判断算盘”（权重/Weights）：

　　　　- 神经元 A（进攻激进派）：

　　　　　　他的逻辑：我只看“自身与篮筐距离”和“篮球掌控度”，只要离篮近、球抓得稳，就优先推荐投篮，不在乎队友和防守球员。

　　　　　　操作：放大 $x_1$（篮筐距离）和 $x_4$（掌控度）的权重，把 $x_2$（防守距离）和 $x_3$（队友情况）的权重设为 0。

　　　　　　他的结论：离篮3米不算远，球还抓得稳（0.9）！投篮成功率高！（兴奋，输出高分：0.85）

　　　　- 神经元 B（团队配合派）：

　　　　　　他的逻辑：我只关注队友状态，只要有队友有空位，就优先推荐传球，不纠结个人进攻机会。

　　　　　　操作：放大 $x_3$（队友空位情况）的权重，把其他输入的权重设为 0。

　　　　　　他的结论：左侧队友有空位（数字化1）！应该传球！（中等兴奋，输出中分：0.6）

　　　　- 神经元 C（风险规避派）：

　　　　　　他的逻辑：我只看防守球员距离，只要防守球员离得近，就坚决反对突破（避免被断球），同时也会谨慎看待投篮。

　　　　　　操作：把 $x_2$（防守距离）设为负相关权重（距离越近，得分越低），其他输入权重调低。

　　　　　　他的结论：防守球员才离1.5米（距离近）！突破肯定被断，投篮也有风险！（抑制，输出负分：-0.4）

　　　　　　对应原理：这就是神经网络的核心——“特征提取”。隐藏层把“距离、空位、掌控度”这些原始数据，转化成了“进攻可行性、传球必要性、风险高低”这些高级特征，为最终决策提供依据。

　　注：在真实的神经网络中，这些“决策助理”的偏好（权重）不是我们手动设定的，而是AI通过大量“打球场景数据”训练出来的，比如见过成千上万次“3米距离+1.5米防守”的场景后，自动学会“该优先投篮还是传球”。

　　输出层 (Output Layer) —— “最终决策拍板”（顶层的面包片）

　　　　这一层汇总隐藏层所有“决策助理”的意见，做最终的“投篮、传球、突破”选择，就像HR总监最终拍板“通过还是淘汰”。

　　　　- 最终决策的逻辑：

　　　　　　听到了 进攻激进派 (A) 喊“投篮”（输出0.85）；

　　　　　　听到了 团队配合派 (B) 喊“传球”（输出0.6）；

　　　　　　听到了 风险规避派 (C) 反对“突破和投篮”（输出-0.4）。

　　　　- 综合加权：

　　　　　　此时的“加权逻辑”对应场上的核心目标——如果是“追分阶段，需要快速得分”，就给进攻激进派 (A) 极高的权重（优先听A的，选投篮）；如果是“领先阶段，求稳不失误”，就给团队配合派 (B) 更高权重（选传球）；而风险规避派 (C) 的意见会直接排除“突破”选项。

　　　　　　假设当前是追分阶段，加权计算后：投篮综合得分=0.85×0.7（高权重）+0.6×0.2（低权重）+(-0.4)×0.1（低权重）=0.635

　　　　- 最终判断（激活函数）：

　　　　　　我们设定一个“决策门槛”（激活函数，比如Sigmoid）：如果某个选项的综合得分>0.6，就确定选这个选项；如果都低于0.6，就重新评估。

　　　　　　这里投篮综合得分0.635>0.6，所以最终输出“投篮”（对应数字化1）；传球得分0.6×0.7+0.85×0.2+(-0.4)×0.1=0.55<0.6，被排除；突破得分因C的负分影响，远低于0.6，直接淘汰。

 　　 上面就是要给神经网络的工作流程。

        我感觉就是可以这么理解，  f(x)=x1w1+x2w2+x3w3 ,神经网络就是一直在调节每个w1,w2,w3的权重，然后输出合适的结果。

        激活函数的理解就是：它是一个数学函数，要符合下面三个特征:非线性的，可导的，易于计算的。非线性的话是为了应对各种不同的情况，可导：函数图像是 “光滑连续” 的，能算出每个点的 “变化率”（即导数）。比如 Sigmoid 函数，它的曲线是平滑的，任意一点都能算出 “输入微小变化时，输出会怎么变”。易于计算就是简单，方便计算机高效计算。

       神经网络里面还有很多概念，反向传播，损失函数，优化函数等，且听下回分解。