来，丝毫没有顾忌上面的污秽与沙土，仿佛这便是一副宽屏的黑板供他进行演算。
神经网络，顾名思义来自人类的神经元。
基本上经过高中的生物学教学也大多能理解神经元的原理，它中间是一个球形细胞体，一头是细小而繁盛的神经纤维分支，学名树突。
另一头是单独一根长长的突起纤维，学名轴突。
神经元的作用便是各个树突接收到其他神经元细胞发出的电化学信号刺激，这些脉冲相互叠加之后，一旦最终的强度达到临界值，便会让这个神经元细胞启动，随后朝着轴突发送信号。
而轴突通过细胞膜内外的纳钾离子交换让膜电位发生变化，使得整个电信号不衰减地传递下去。
最终这些信号传递到其他的轴突与树突，再激发他们产生信号，成为二级神经元。
像人类的视觉系统，便是通过1亿3千万光感受细胞接受光信号，在通过120万节细胞轴突将信息从视网膜传递到大脑，形成了三维图形。
而机器学习，便是要教给计算机，怎么把它接受的输入结果和我们想要的输出结果关联起来。
诸如看到一张图片，它能够理解这便是我们需要的数字1.
而这依赖的便是感知器，这也是名为神经网络的原因。
感知器，本身便是模拟神经细胞，原先的生物学名词都有了对应的新名字——
权量（突触）、偏置（阈值）及激活函数（细胞体）。
机器无法理解一副图片，但是它可以把图片翻译为“像素点阵”，然后这些点阵以0与1输入。
林奇默默在地面上化了一个初中生熟悉的xy坐标轴，同时在上面点出了(1，1)(-1，1)(-1，-1)(1，-1)这四个左边，它们连接起来便是一个正方形，而这四个左边分别坐落在四个象限。
机器学习需要的便是让机器知晓诸如（2，2）这种应该算作哪一个象限？
这便需要神经网络算法的“分类”作用。
这里输入是一个（2，2）的坐标，它是一个1乘2的矩阵，这是输入层。
设定50个神经元，所以它便是一个1乘50的矩阵，这是隐藏层。
而结果1-4象限，则是一个1乘4的矩阵，这是输出层。
根据线性代数的知识，可以知道矩阵之间是能够沟通的，所以一个输出层的1乘4矩阵可以用最初的1乘2输入层矩阵表达。
本章未完，请点击下一页继续阅读！