神经网络

神经网络 是什么

神经网络是受生物神经元启发的计算模型：通过多层神经元与权重连接学习数据中的模式。它不靠手工规则，而是从大量数据中自动调整权重，找到输入到输出的映射——这是现代 AI 的基础。

基本结构

• 神经元：接收输入、加权求和、激活输出。
• 层：输入层、隐藏层、输出层。
• 权重：连接强度，训练时不断调整。
• 激活函数：引入非线性，让网络能学复杂模式。

如何学习

1. 前向传播：数据经网络得到预测。
2. 计算误差：预测与真实结果的差距。
3. 反向传播：误差沿网络反向传播。
4. 更新权重：用梯度下降调整权重减小误差。

与大模型的关联

大语言模型本质是规模巨大的神经网络（Transformer 架构）：参数量从百万到千亿级，在海量数据上训练，涌现出理解与生成能力。理解神经网络就是理解 AI 的底层原理。

小结

神经网络是现代 AI 的地基：数据进、权重调、模式出。从图像识别到大语言模型，底层都是它在工作。