神经网络原理理解：

（以下仅为个人理解，并非严谨，作为参考，不喜勿喷，有不对的地方欢迎评论区讨论，谢谢）

在此图中，我们如果要采用线性的逻辑回归算法，那么便只能将数据（x1，x2）切分为两类，即一个神经元，如图中其中一条虚线y = a*x1 + b*x2，那对于此图，我们如果想要个进行分割的话，至少需要两条线，即两个神经元，在将其分好之后，我们将点带进去，得到新的（y1,y2）那么此时，我们假设三角的至少y1或者y2比较大，圆圈y1y2都比较小那么就成功将数据进行了更加明确的划分，在图中的显示就是三角和圆圈分别集中在同一个象限中的两个边缘处，实现了数据的分割，当然我们可以在添加神经元，例如可以使得上图中添加一个水平的虚线，当然随着神经元的增大，n个相连的虚线构成的曲线就越平滑，那么放在三维上同样成立，我们数据在三维空间中散乱分布，我们就需要n个平面（神经元）（y = a*x1 + b*x2 + c*x3）相连组成的曲面进行分割，得到的y1, y2, y3 就分别将数据分散到了同一象限的三条边中（当然是数据正好可以被三部分分割，有可能两个平面就可以将数据分割，那么计算后的数据点可能就集中到两个区域中）当数据本身容易分割的时候，我们只需要较小的神经元就可以完成分割，但是当数据比较杂乱的时候，我们需要多个神经元组成的曲面进行分割，而当一层的神经元不够进行分割的时候，我们就需要利用在第一层进行分割后的数据进行进一步分割，就出现了二层的神经元，依次类推，最后一层的神经元可以表示你想将数据分类的个数，比如我们有n张海贼王其中5个成员的图像，经过计算后得到的y1, y2, y3, y4, y5就可以分代表不同的对象，比如罗宾的话y1=0.8,y2=0.12, y3=0.3, y4=0.21, y5=0.13,那么我们可以认为y1高的时候是罗宾的图像，注意我们在数据的每层分类的时候每一层的神经元可以不一样，比如10个x的数据经过第一层10个神经元分类后数据更加规律了但是还是没有分类成功，那么我们就可以减少神经元的个数，但是最少不要低于我们需要将其分类的值，想想也可以明白，如果如此，我们假设目前我们将这5组照片分成的8类，但是下层神经元将数据分成的两类，那么第三层在分类的时候需要根据x1，x2的细微差别进行分类，只会白白增加计算量。我们再回到海贼王图像的分类，之所以可以进行图片的分类，我们记得所有的图像都是由像素点组成的，因此我们将28*28*3的图像分成3个784的一维数组，那么就相当于第一层需要传入784个参数，同时3组相加（再加偏秩），第一层之后将数据分成了28组，在进行2、3等的分割之后进行5的输出，得到图片的分类。