【Pytorch】深度学习框架 - 神经网络（概念篇）

前言

提示：本篇主要介绍神经网络前导概念，解释一些名词含义，相对而言比较抽象。

按照领域划分的话，应该是这样一个包含关系：人工智能（AI）- 机器学习 - 神经网络 - 深度学习。 神经网络（Neural Network） 是一种模仿生物神经系统结构和功能的计算模型，是深度学习的核心组成部分。它由多个层（Layer）组成，每一层包含多个神经元（Neuron），通过调整神经元之间的连接权重来学习数据中的模式。

提示：接下来学习神经网络的基本概念与神经网络学习的前置知识

一、神经网络

前面说到，神经网络是一种计算模型，可以看作它就是构建模型的一种方式，它包含输入和输出，大量的数据集通过模型的训练然后得到一个模型，模型又可以接收新的数据通过推理得到接近真值，接下来我们慢慢解开神经网络具体是什么东西。

1. 结构组成（层的概念）

神经网络由多层构成，每一层有单个或多个节点（神经元），层和层之间通过数学运算传递信息。相信了解过神经网络的同学都对下面这张图很眼熟，图片里面一共有三层结构，输入层（Input Layer）, 隐藏层 (Hidden Layer), 输出层 (Output Layer) 有很多的小圆圈就代表着节点，输入信息就是通过节点和节点之间的数据运算进行的。

注意：神经网络通常被理解成简单的人工神经网络，通常隐藏层只有一层，层与层之间只有线性连接（FC连接）更为复杂的神经网络隐藏层有多层，层与层之间的数学关系更加复杂，这也构成了深度学习神经网络，在这里我们把认知的神经网络看出三层结构，层与层之间为FC连接。

(1) 输入层（Input Layer）

负责接收输入数据，每个神经元对应输入数据的一个特征。