深度学习是是人类模拟人体神经网络并行分布式结构用于研究数据中隐含规律和模式，以应用在新数据上做预测的任务。所以这里先介绍一下神经网络，本节我们主要介绍的内容有：

1.生物神经元与神经网络

2.人工神经元与人工神经网络

生物神经元与神经网络

在认识神经网络之前我们先认识一下神经元，因为神经元是组成神经网络的基本单元。一般情况下，大多数的神经元是处于抑制状态，但是一旦某个神经元收到刺激，导致它的电位超过一个阈值，那么这个神经元就会被激活，处于“兴奋”状态，进而向其他的神经元传播化学物质（其实就是信息）。先来一张图片：

神经元

神经元都包括三个主要部 分：细胞体、树突和轴突。神经元的信息传递和处理是一种电化学活动．树突由于电化学作用接受外界的刺激，通过胞体内的活动体现为轴突电位，当轴突电位达到一定的值则形成神经脉冲或动作电位；再通过轴突末梢传递给其它的神经元．从控制论的观点来看；这一过程可以看作一个多输入单输出非线性系统的动态过程。

下图是一个由数以亿计个神经元组成的人脑神经网络，用于产生人类的意识，帮助人类进行思考和行动。

脑神经网络

人工神经元与人工神经网络

人工神经元（感知机）是人类模拟生物神经元，用于将输入数据进行一定的处理后输出的计算单元，也可以称为单层神经网络。下图是一个典型的人工神经元：

单层感知机

输入层模拟神经元的树突接收输入信号。

加权和模拟神经元的细胞体加工和处理接收到的信号。

激活函数模拟神经元的轴突控制信号的输出。

输出层模拟神经元的突触对结果进行输出。

输入层每一个连接都有权重，这意味着发送到每个连接的值要乘以这个因子。权重实际上模拟了生物神经元之间传递的神经递质的数量。所以，如果某个连接重要，那么它将具有比那些不重要的连接更大的权重值。由于可能有许多值进入一个神经元，每个神经元便有一个所谓的输入函数。通常，连接的输入值都会被加权求和。然后该值被传递给激活函数，激活函数的作用是计算出是否将一些信号发送到该神经元的输出。

所以多层神经网络其实就是由多个单层神经网络经过将前一层的输出作为下一层的输入联合起来的计算网络。是一种应用类似于大脑神经突触连接结构进行信息处理的数学模型。想详细了解神经网络的发展的请看这篇。

多层神经网络

神经网络模型，主要用于两类问题的解答：

分类：把数据划分成不同的类别。

回归：建立数据间的连续关系。

关于神经网络的分类问题在下面的篇章中进行介绍。

参考文献：