但具體上，乙個複雜的問題往往分解成若干相對簡單的任務，而神經網路處理其能力相符的子任務
比如，考慮乙個模式分類任務，這裡要求是把代表具體物體或事件的輸入訊號分類到幾個預先分類好的類中去。這個問題的非引數方法中，要求利用例子集中「估計」輸入訊號空間中分類任務的任意判決邊界，並且不使用概率分布模型。從訓練集中隨機選取乙個樣本給網路，網路就調整它的突觸權值（自由引數），以最小化期望響應和由輸入訊號以適當的統計準則產生的實際響應間的差別。使用訓練集中的很多例子重複神經網路的訓練，直到網路到達沒有顯著的突觸權值修正的穩定狀態
神經網路嵌入了乙個調整自身突觸值以適應外界變化的能力
在乙個時變環境（即它的統計特性時間變化）中執行時，網路突觸權值就可以設計成隨時間變化。用於模式識別、訊號處理和控制的神經網路與它的自適應能力耦合，就可以變成能進行自適應模式識別、自適應訊號處理和自適應控制的有效工具。
在保證系統保持穩定性時乙個系統的自適應性越好，當要求在乙個時變環境執行時它的效能就越具有魯棒性，
比如說寄生干擾，為最大實現自適應性，系統的主要時間常數應該長到可以忽略寄生干擾且短到可以反映環境的重要變化
這是乙個穩定性——可塑性困境
提供決策的置信度，用來拒判那些過於模糊的模式 。
網路的特定結構和激發狀態代表知識。網路中每乙個神經元潛在的受網路中所有其他神經元全域性活動的影響 。
乙個以硬體形式實現後的公升級為了有天生容錯的潛質，或者魯棒計算能力，即它的效能在不利條件下逐漸下降。
為了確保網路事實上的容錯性，有必要在設計訓練網路的演算法時採用正確的度量。
神經網路的大規模並行性使它具有快遞處理某些任務的能力 ，這一特性是的神經網路很適合用超大整合技術實現。vlsl的
乙個特殊優點是提供乙個以 高分度的方式捕捉真實複雜性行為方法
初識卷積神經網路
lenet網路有五層。兩個卷積層，三個全連線層。這裡說的卷積層包括啟用層和池化層，全連線層包括連線層和啟用層。self.conv torch.nn.sequential torch.nn.conv2d in channels 1,out channels 6,kernel size 5,stride...
神經網路和深度學習（一） 初識神經網路
人類的視覺系統是世界上最棒的系統之一，比如下列一串手寫數字 大多數人都可以一眼看出它是504192。在我們大腦的每乙個半球，都有主要的視覺皮質v1 它包含了1.4億個神經元，在這些神經元之間有數百億的接觸。然而人類的視覺不僅僅包含了v1 而是一系列的視覺皮質v1 v2,v3,v 4,v5 逐步進行更...
神經網路學習（十一）卷積神經網路初識
系列部落格是博主學習神經網路中相關的筆記和一些個人理解，僅為作者記錄筆記之用，不免有很多細節不對之處。卷積神經網路 convolutional neural network 採用三種基本概念 區域性感受野 local receptive fields 共享權值 shared weights 和池化 ...