1人工神经网络VS生物神经网络
人工神经网络通过正向和反向传播更新神经元，从而形成一个更好的神经系统，本质上是一个能让计算机处理和优化的模型
生物神经网络通过刺激产生新的连接，让信号通过新的连接传递而形成反馈
2什么是神经网络
现代神经网络是一种基于统计学的数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式
神经网络是一种计算模型，由大量的结点和节点之间的联系构成，正如人类神经系统中的神经元，负责传递信息和加工信息，神经元也可以被训练或者强化，形成固定的神经意识形态，对特殊的信息会有更强烈的反应输入层是直接接受信息的神经层,负责传递接收到的信息
输出层是信息在神经元链接中传递,中转、分析、权衡，形成输出结果，通过这一层输出的结果我们就可以直接看出计算机对事物的认知
隐藏层是在输入层和输出层之间众多神经元和链接组成的各个层面
这些隐藏层的作用是负责对输入信息的加工处理
就像人类的感知神经一样,信息的传递往往也是需要经过多层神经的传递,加工才能行生出对这种感知的理解
无论是图片，声音还是文字,他们都只能是以数字0或者1的形式出现在神经网络里，所以当你想要问电脑，，嘿，你看看这张图片是不是只猫’的时候，计算机只能看到一堆数字，通过对这对这些数字的加工处理,最终生成另外一堆数字
神经网络的训练：首先我们需要很多的数据，狗狗的图片比如说如果我想让计算机学会判断猫或者狗,我就需要准备上千万张有标签的猫猫和狗狗图片，然后进行上千万次的训练，我们要做的就只是给计算机看图片,然后他会给我们一个不成熟也不准确的答案
计算机如何学习经验？
这就是通过对比预测的答案和真实答案的差别,然后把这种差别再向反方向传递过去，对每一个神经元向正确的方向上改动一点点，这样到了下一次识别的时候,通过有所改进的神经网络,计算机识别的正确率又可以被提高一点点.，这样每一次的一点点累加上上千万次的训练,那就是向正确的方向上迈出了一大步
神经网络怎样训练神经元？
原来在计算机里每一个神经元都会有属于他的激励函数(activation function)，我们可以用这个函数给计算机一个刺激行为，当我们第一次给这个神经网络看一只飞奔的猫时神经网络里只有部分的神经元被激励或者被**，被**的神经元传递下去的信息是计算机最重视的信息,也是对输出结果最有价值的信息，如果预测的结果是只狗,所有神经元参数就会被调整，这就说明了所有神经元参数正在被改变.变得对图片里真正重要信息敏感，这时,被改进的参数就能渐渐预测出正确的答案,也就是,它!是!一只!猫!