介绍
人工智能的底层模型是"神经网络"（neural network）。许多复杂的应用（比如模式识别、自动控制）和高级模型（比如深度学习）都基于它。
感知器
历史上，科学家一直希望模拟人的大脑，造出可以思考的机器。人为什么能够思考？科学家发现，原因在于人体的神经网络。
外部刺激通过神经末梢，转化为电信号，转导到神经细胞（又叫神经元）。
无数神经元构成神经中枢。
神经中枢综合各种信号，做出判断。
人体根据神经中枢的指令，对外部刺激做出反应。
既然思考的基础是神经元，如果能够"人造神经元"（artificial neuron），就能组成人工神经网络，模拟思考。上个世纪六十年代，提出了最早的"人造神经元"模型，叫做"感知器"（perceptron），直到今天还在用。
上图的圆圈就代表一个感知器。它接受多个输入（x1，x2，x3...），产生一个输出（output），好比神经末梢感受各种外部环境的变化，最后产生电信号。
为了简化模型，我们约定每种输入只有两种可能：1 或 0。如果所有输入都是1，表示各种条件都成立，输出就是1；如果所有输入都是0，表示条件都不成立，输出就是0。
神经元模型是一个包含输入，输出与计算功能的模型。输入可以类比为神经元的树突，而输出可以类比为神经元的轴突，计算则可以类比为细胞核。
举例
首先了解一下神经网络的运作过程：
输入和输出
权重（w）和阈值（b）
多层感知器的结构
根据这个过程，我们通过一个例子来初步了解神经网络：
上海将要举办维多利亚的秘密（其实前几天已经结束了，奚梦瑶还摔了一下），小智拿不定主意，到底要不要去看
他决定考虑三个因素。
天气：举办当天是否会下雨？
同伴：能否找到个基友一起去？
价格：门票是否可承受？
这就构成一个感知器。上面三个因素就是外部输入，最后的决定就是感知器的输出。如果三个因素都是 Yes（使用1表示），输出就是1（去参观）；如果都是 No（使用0表示），输出就是0（不去参观）。
权重和阈值
看到这里，可能会问：如果一些因素成立，而另一些因素不成立，输出是什么？比如，当天晚上不下雨，门票也不贵，但是小智找不到基友，他还要不要去参观呢？
现实中，各种因素很少具有同等重要性：某些因素是决定性因素，另一些因素是次要因素。因此，可以给这些因素指定权重（weight），代表它们不同的重要性。
天气：权重为4
同伴：权重为4
价格：权重为8 （因为买不到票，黄牛票最高炒到30万）
上面的权重表示，价格是决定性因素，同伴和天气都是次要因素，小智就是纯粹的想看看衣服设计风格。
如果三个因素都为1，它们乘以权重的总和就是 8*1 + 4*1 + 4*1 = 16。如果天气和价格因素为1，同伴因素为0，总和就变为 8*1 + 4*0 + 4*1 = 12。
这时，还需要指定一个阈值（threshold）。如果总和大于阈值，感知器输出1，否则输出0。假定阈值为8，那么 12 > 8，小智决定去参观。阈值的高低代表了意愿的强烈，阈值越低就表示越想去，越高就越不想去。
上面的决策过程，使用数学表达如下。
上面公式中，x表示各种外部因素，w表示对应的权重。
总结
神经网络相对于逻辑回归没有提供任何新的知识，就是换了个花样来表示。 但神经网络这样表示有个重大的作用：它方便我们以此为基础做逻辑回归的多层组合嵌套，后面的文章会继续讲浅层神经网络和深度神经网络。
閱讀更多 5分鐘機器學習 的文章
