北京
想让计算机认出一个手写数字，一张4×4像素的照片需要准备16个输入节点，输出层再摆上10个候选数字，最后它说“多半是5”的置信度可能只有82%。而这一切背后的逻辑，不过是三层神经元的接力运算。很多人觉得神经网络、深度学习这些词一听就头大，但其实把它们拆开看，核心机制跟人脑决策的套路大同小异，甚至不用碰一条公式。
“神经网络”这个名字直接抄了生物课的作业。人脑里挤着密密麻麻的神经元，每个神经元又通过突触和成千上万个同伴连成一张巨网。机器学习里的神经网络差不多就是这个意思，只不过这里的神经元按分工划成了三大块：输入层、隐藏层和输出层。三层之间责任分明，谁也不越界抢别人的活。
最前面那层叫输入层，它的任务只有一个——收数据。假设要让网络识别图像，输入层的每个节点就盯着画面上的一个像素坐标。比如处理一张4×4的小图，这一层就会长出16个节点，每个节点专门等待属于自己的那个像素值进来。数据一到位，它什么都不算，直接打包递给后面的隐藏层。
隐藏层是整个网络里最神秘的部分。从外部看，它做了一大堆“数学魔法”，实际上不过是给每条传来的连接赋予一个叫“权重”的东西。权重可以理解为“这个信息有多值得在乎”。一个节点收到好几条带着权重的输入后，用自己的函数合计出一个结果，再往下一层扔。就像你盘算今晚要不要下馆子，脑子里会冒出各种因素：钱包里的钱够不够，天气好不好，今天有没有打折。每个因素对你的最终决定影响力不同，那个影响力就是权重。多个因素加权综合之后，你才会拍板出门或在家煮面。
最后一层是输出层，节点数完全看答案长什么样。如果是判断猫还是狗，输出层可能只有两个节点；如果是识别手写数字0 到 9，一般就配上10个节点，每个节点代表一个数字。这些节点收到的不是直接结论，而是一个个概率——比如隐藏层一通运算后给“5”这个节点灌进了0.82的信号，给“3”灌了0.10，给“8”灌了0.05。系统只要看到某个数字的置信度超过预设门槛，就当机立断：“行了，这就是5。”这就是神经网络做决策的基本姿势，所有的输出都扎根于前面每一层携带权重的计算结果。
让网络从胡猜变成靠谱识别，靠的是一种叫“反向传播”的窍门。一旦输出层的答案跑偏了，网络会把误差顺着原路传回去，逐层调整那些权重，告诉每个节点下次该多在乎谁、少理会谁。反复这样从错误中学习，网络判断的准确率就慢慢提上来了。整个过程没有掺进任何玄学公式，只是让数字来来回回流动、比较、修正。
再回头看开头那个4×4像素和82%置信度，本质上就是三层结构加反向传播的产物。输入层收像素，隐藏层算权重，输出层报概率，出错就倒带重调。这套机制从识别手写数字到看懂人脸、转写语音，原理统统不变。所谓人工智能的黑箱，拆开来不过是把简单的规则重复执行了成千上万次。只要弄清楚这三层怎么划分、信号怎么加权、错误怎么回传，剩下的事，真的可以先把数学放一边。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
