通俗解释神经网络的基本结构（面试题200合集，高频、关键）

神经网络是一种模仿人类大脑神经系统的计算模型，主要由以下几个基本组成部分构成：

1. 输入层（Input Layer）

   • 这是神经网络的起点，负责接收外部数据。比如，如果你处理一张图片，输入层可能接收每个像素的数值。
   • 每个输入节点对应数据的某个特征。

2. 隐藏层（Hidden Layers）

   • 这是神经网络的“核心处理区”，由多个神经元（节点）组成。隐藏层可以有一层或多层，具体取决于网络的复杂程度。
   • 每个神经元会接收前一层的输入，经过加权求和（weights）、加上偏置（bias），然后通过激活函数（如ReLU、Sigmoid）处理，输出到下一层。
   • 隐藏层的作用是提取特征并进行复杂的非线性变换。

3. 输出层（Output Layer）

   • 这是神经网络的最后一层，负责输出最终结果。
   • 输出层的节点数量取决于任务类型。例如，分类任务中，输出节点数可能等于类别数；回归任务中，可能只有一个节点输出预测值。

4. 连接权重（Weights）和偏置（Biases）

   • 每条连接（从一个神经元到另一个）都有一个权重，表示输入的重要性。
   • 偏置则帮助调整神经元的激活阈值。
   • 训练过程就是通过优