神经网络：绝对初学者

Source: Dev.to

请提供您希望翻译的正文内容，我将按照要求保留源链接、格式和代码块，仅翻译文本部分。

介绍

如果你曾经好奇机器是如何识别人脸、翻译语言，甚至生成艺术作品的，答案往往是神经网络。即使你完全没有背景也不用担心——把它当作一次导览，我们会用日常类比让概念变得易懂。

想象一串灯泡通过电线相连。每个灯泡可以根据收到的电流微弱或强烈地发光。它们共同形成的光的模式即代表了知识。

在计算机术语中

• 每个灯泡 = 一个神经元
• 电线 = 连接（权重）
• 发光 = 激活（输出）
• 一排灯泡 = 一层

---

Source: …

构建模块

1. 神经元

神经元就像一个微型决策者。

• 输入： 接收信号（数字）。
• 处理： 将每个输入乘以一个权重（重要性）。
• 输出： 将它们相加，应用激活函数，然后把结果向前传递。

类比： 想象咖啡店的咖啡师。他们接受你的点单（输入），考虑你的偏好（权重），决定咖啡的浓度（激活）。最终的咖啡杯就是输出。

神经元被组织成层：

• 输入层： 像感官——眼睛、耳朵等。
• 隐藏层： 像大脑的思考过程。
• 输出层： 像最终的决定——“这是一只猫”。

类比： 想象一个工厂装配线。原材料（输入）经过若干加工站（隐藏层）后变成成品（输出）。

权重与偏置

• 权重： 每个输入的重要程度。
• 偏置： 一个额外的推动力，帮助神经元做出更好的决策。

类比： 权重就像配方中的配料量——糖放多了更甜，盐放多了更咸。偏置是厨师总会加的一小撮调味料，即使配方里没有写。

激活函数

激活函数为模型引入非线性，使网络能够学习复杂的模式。

• 决策： 它们决定神经元是否“触发”，类似于灯开关根据电流的有无而开或关。
• 非线性： 没有它们，网络只能表现为线性模型，只能学习线性关系。

激活函数的类型

• Sigmoid（S形函数）： 输出介于 0 到 1 之间；常用于二分类。
• ReLU（修正线性单元）： 输入为正时直接输出该值；否则输出零。帮助加快训练并减轻梯度消失。
• Softmax： 用于多分类任务的输出层；将原始得分转换为总和为 1 的概率。

类比： 夜店的保镖。只有符合规则的“人”（信号）才能进入。

数据流

数据从 输入 → 隐藏层 → 输出 流动。

类比： 像水在管道中流动，在每个阶段都被过滤。

网络检查自己的错误并调整权重。

类比： 学习投篮——每一次投失都会让你稍微调整一下瞄准，直至命中。

神经网络之所以强大，是因为它们可以：

• 在杂乱的数据中发现模式。
• 通过练习自我改进。
• 处理视觉、语音和决策等复杂任务。

类比： 正如人类通过经验学习，神经网络也从数据中学习。

示例应用

• 图像识别： 在照片中识别猫。
• 语言翻译： 将英文转换为法文。
• 医疗健康： 根据扫描图预测疾病。

结束语

神经网络听起来可能让人望而生畏，但其实它们本质上只是披着决策灯泡外衣的数学。只要练习足够，它们几乎可以学习任何东西——就像我们一样。

如果你感兴趣，下一步可以尝试使用 TensorFlow 或 PyTorch 等库在 Python 中构建一个简单的网络。当它第一次识别出模式时，即使是一个小小的网络也会让人觉得神奇。