了解了什麼是神經單元，就很容易理解神經網路，神經網路就是一系列神經單元連線而成構成的網路結構，如下圖：
這是乙個5層神經網路，包括輸入層和輸出層，輸入層也叫做資料層，一般接收資料的輸入。
這裡每一層的神經單元都與相鄰層的神經單元連線，而與本層的神經單元無連線，因此也叫全連線神經網路。
使用神經網路訓練影象資料時，將影象的第乙個畫素（第一行第一列）輸入到第乙個神經單元，第二個畫素輸入到第二個神經單元，以此類推。因此必須保證輸入層神經單元的個數與影象畫素個數一致，這也是輸入影象大小必須一致的原因。
若輸出層為softmax層，則輸出層神經單元個數要保證與所需分的類別個數一致，例如要分10個類，則輸出層神經單元個數為10.
訓練神經網路的目的就是不斷更新網路中的權值直到收斂，使得神經網路可以準確的處理分類問題。
神經網路概念理解
如果不用非線性激勵函式 其實相當於激勵函式是f x x 每一層輸出都是上層輸入的線性函式，無論該神經網路多少層，輸出都是輸入的線性組合，與沒有隱藏層效果一樣，即為最原始的感知機了。1.對於深層網路，sigmoid函式反向傳播時，很容易出現梯度消失，從而無法完成深層網路的訓練。2.relu會使神經元的...
神經網路 神經網路中的矩陣的理解
在 深度學習入門 基於python的理論與實現 書中，看到講解矩陣的章節，加深了我對矩陣的理解。脫離應用理解數學是很難的。將矩陣放在深度學習的環境裡可以較好的理解矩陣的含義。這裡假設你已經學過矩陣。對於神經網路，我更傾向於理解為 因素 輸入層 影響因子 權重 結果 輸出層 這更貼近實際中的因果關係。...
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...