第18天：神经网络入门——像搭积木一样理解层与连接
你好！今天我们一起打开「神经网络」这扇门。别被名字吓到，它本质上就是一堆会做数学题的「小盒子」，被线连在一起工作。我们用两节内容来认识它：先弄懂「层」和「连接」是什么，再看看它为什么需要「拐弯」的能力。准备好了吗？我们开始吧。
一、把神经网络想成一家快递公司
想象你开了一家快递公司，有三个部门： 1. 收件部（输入层）：只接收包裹，不做任何处理。比如你给它三个数字，它就老老实实收下。 2. 分拣部（隐藏层）：这是真正干活的地方，可能有好几层。每一层的员工拿到上一层的数字，算一算，再传给下一层。 3. 派件部（输出层）：最后给出结果，比如「这是猫」或者「价格预测为199元」。 这些部门就是「层」。每一层由许多「神经元」组成，神经元就是部门里的员工。 那「连接」是什么呢？它就是部门之间的传送带。每个神经元把计算好的数字乘以一个「重要程度」（专业名叫「权重」），再传给下一层。权重大的，说明这个数字很关键；权重小的，就被打入冷宫。这就是神经网络「学习」的核心——调整这些数字上连接线的权重。
二、为什么需要「拐弯」的能力？
我们先看一个真实问题：判断邮件是不是垃圾邮件。 如果只看「是否包含『免费』这一个词」，这是一个直线判断：包含就是垃圾，不包含就不是。可现实中，垃圾邮件可能写「完全免费」或者「free不收费」，而且正常邮件也可能提到这个词。 这时候，直线就分不开了。我们需要「拐弯」的能力，也就是「非线性」。 举个例子：在二维平面上画一条线，只能把点分成两块；但如果允许画曲线，就能画出任意复杂的形状。非线性函数（比如把负数变成0的ReLU）就像给直线加了一个「折点」，让神经网络可以画出弯曲的决策边界。 这就是为什么隐藏层里几乎都要用非线性函数。如果每一层都只是线性变换，多层叠在一起和一层没区别，根本学不会曲线关系。
三、动手搭一个三层网络
我们用最直白的语言描述一个能识别「是不是3」的简易模型。 输入层：784个神经元，对应一张28×28像素的手写数字图片（每像素一个数字）。 隐藏层：128个神经元，每个神经元都接收所有784个输入，计算加权和后通过ReLU函数「拐个弯」。 输出层：10个神经元，分别代表0到9，哪个输出最大，模型就说图片是哪个数字。 训练过程就像调收音机：先随便给一组权重，识别错了一大片；然后根据错误调整权重；再识别，再调整。成千上万次后，权重被调到了合适的位置，识别率就上来了。这就是「学习」的本质——用错误来修正连接线的权重。
四、学习路径小贴士
今天你认识了三个关键概念： 层（Layer）：处理数据的一个环节，可以堆叠多层。 连接（Connection）：层与层之间的线，每条线带一个权重。 非线性（Non-linearity）：让网络能处理复杂关系的关键能力。 接下来几天，我们会学「权重是怎么被调出来的」（反向传播）和「为什么要堆很多层」（深度学习）。别急，一步一个台阶，你会越来越清楚。
停一下，确认你真的懂了
每题只能选择一次，不计分，也不会保存结果。
第 1 题
神经网络中的「连接」本质上是什么？
第 2 题