如何简单形象又有趣地讲解神经网络是什么？

试试语音读文章

热门回答：

人工神经网络简称神经网络或类神经网络。在机器学习和认知科学领域。是一种模仿生物神经网络的机构（尤其是动物的大脑）。通过数学模型或计算模型对函数进行估计或近似。

举个例子：

当我们要买芒果的时候。并不知道什么样的芒果才好吃。那么只有将所有的芒果都尝一遍之后。才会总结出个头大、颜色深、黄色的芒果比较好吃。

机器的学习也是一样的。让机器“尝”一遍所有的“芒果”。让机器去总结一套规律（比如：个头大、颜色深、黄色）这就是机器学习。操作如下：人描述给机器每个“芒果”的特征（比如：颜色、大小。软、硬等等）。让机器尝试一下“芒果”是否好吃、味道如何并将结果输出。慢慢的机器就会总结出一套识别“芒果”好不好吃的规则。

生物的神经元细胞的结构很简单。中间一只球形的细胞体。一头有许多细小而密集的神经纤维分支（树突）用来接收其他神经元传递过来的信号；另一头是一根长长的凸起纤维（轴突）用来将自己的信号传给其他的神经元。轴突的末端会分出许多树杈。连接其他神经元的树突或轴突。

大脑思考时。各个树突会接收到其他神经元细胞发出的电化学刺激脉冲。当这些脉冲叠加到一定程度时。神经元就会产生动作电位。动作电位沿着轴突的一个郎飞结跳到下一个郎飞结。

这种电信号并不会随着距离衰减。因为每跳一次。郎飞结的电压门控通道就会打开一次。细胞膜内外带正电荷的钠钾离子通过钠钾泵交换后。膜电位就会发生变化。这样就可以完成下一跳。

在人工神经网络中。简单的人工节点称为神经元。连接在一起形成一个类似生物神经网络的网状结构。

模型化后。每个节点对应多个输入。同时会产生多个输出。每个输入对应有不同的权重。通过大量数据训练这个模型后。模型就会形成一定的固定路线。也就如我们的电脑掌握了某项技能。

人工神经网络相当于求一道数学题。在大量输入项的情况下求所有连接上的权重值。使得对于输入进过各层节点的权重运算后能近似接近我们需要的期望值。

在数据量很少的时候很容易通过函数求得不唯一的解。甚至可以找到其中某一个完全解。但随着数据量的增加以及噪点的增加函数变得无解了。我们就需要通过神经网络求得一组近似解使得所有样本经过运算后都接近实际值。

举个例子：

假如输入只有一个维度。相当于在屏幕上有一堆点。当一条线能靠近绝大部分的点。那么这条线逼近这堆点。

人工神经网络并不是盲目的调整权重参数。而是依据均方差的函数曲线。寻找均方差的最小值。

总结

人工神经网络与生物神经网络的相似之处在于可以集体地、并行的处理。而不需要描述每个单元的特定任务。在神经网络的现代软件实现中。生物学启发已经很大程度上被抛弃了。取而代之的是基于统计学和信号处理的更加实用的方法。

以上个人浅见。欢迎批评指正。

认同我的看法。请点个赞再走。感谢！

喜欢我的。请关注我。再次感谢！

其他观点：

程序就是一系列算法的集合。输入一堆数据。得到一个结果。实际上就是一个有很多参数的方程。众多变量参数计算出一个结果。如果输入与输出之间有明确的逻辑和数学模型。这个方程很容易实现。但是如果变量参数与结果之间的逻辑联系非常非常复杂。或者根本没法找到输入与输出之间的函数关系。那就通过神经网络的结构自适应拟合出输入输出之间的函数关系。因此。神经网络的实质就是一个复杂函数拟合器。通过大量的输入与已知的输出。通过自适应的方式。拟合出它们之间最佳匹配函数。

其他观点：

深度学习的本质是数理统计。神经网络的本质是函数映射。在数学形式上。神经网络表现为一个待定系数的多层嵌套函数。训练神经网络可以看成是确定一组合适的系数。从而明确那个唯一的函数。进一步讲。就是从一个函数集中挑选出来最合适且唯一的函数映射。注意。这里选出来的不一定是最好的那个函数。受数据集、优化算法等多种因素的影响。当我们把最终结果控制在可接受的误差范围之内。训练即可宣告完成。

这个过程可以形象地描述成挑选合适的人去做他擅长的事。当我们需要完成一项任务的时候。首先就是要考虑让谁去完成这个任务比较合适。我们可以设置一个和这个任务差不多的考核项目。但是。完全没有必要让每个人都去参加这个考核。假如这个任务需要消耗很大的体力。那么就可以限定参加考核的人选年龄在20到30岁之间。接下来要做的就是让这个考核的第一名去完成任务。

• 准备与好友合伙做生意,开什么店合适？
• 想开个店,开什么好呢？资金不多,刚刚创业。谢谢？
• 有什么行业适用于初创业？
• 刚入社会的人想开店,最好开一家什么店？
• 我是一个创业小白,想要开一家店铺,大家有什么好的推荐吗？

以上就是由互联网推广工程师 网创网 整理编辑的，如果觉得有帮助欢迎收藏转发~