1.神经元被分成了多层,层与层之间的神经元有连接,而层内之间的神经元没有连接。最左边的层叫做输入层,这层负责接收输入数据;最右边的层叫输出层,我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。

2.隐藏层比较多(大于2)的神经网络叫做深度神经网络。而深度学习,就是使用深层架构(比如,深度神经网络)的机器学习方法。

那么深层网络和浅层网络相比有什么优势呢?简单来说深层网络能够表达力更强。事实上,一个仅有一个隐藏层的神经网络就能拟合任何一个函数,但是它需要很多很多的神经元。而深层网络用少得多的神经元就能拟合同样的函数。也就是为了拟合一个函数,要么使用一个浅而宽的网络,要么使用一个深而窄的网络。而后者往往更节约资源。

3.深层网络也有劣势,就是它不太容易训练。简单的说,你需要大量的数据,很多的技巧才能训练好一个深层网络。这是个手艺活。

4.感知器

 4.1 解神经网络的组成单元——神经元。神经元也叫做感知器。

4.2 感知器不仅仅能实现简单的布尔运算

4.3 可以拟合任何的线性函数 ,任何线性分类或线性回归问题都可以用感知器来解决。and运算是一个线性分类问题,即可以用一条直线把分类0(false,红叉表示)和分类1(true,绿点表示)分开。

4.4 你可能困惑前面的权重项和偏置项的值是如何获得的呢?这就要用到感知器训练算法,

,直到训练完成。

 5.刚入门的参考网址:https://www.zybuluo.com/hanbingtao/note/433855