神经网络的基本结构：从神经元说起

神经网络常被说成模仿大脑，但对初学者来说，更贴切的比喻是一叠流水线上的计算卡片。本文从单个神经元讲起，说明输入、权重、偏置如何层层传递，以及“深度”到底指的是什么、带来了什么。

一个神经元在算什么

人工神经元远比生物神经元简单，它只做三件事：把各输入乘以对应权重后求和，加上一个偏置项，再把结果交给一个函数处理。权重决定每个输入说话的分量，偏置相当于可整体平移的基准线。输出结果强的，就说这个神经元被“激活”了。

你可以把它想成一次投票表决。每个输入投出一票，权重是这一票的分量，偏置是主持人自带的倾向，最后的激活函数决定这场投票算不算通过。单个神经元的能力很有限，它其实只能画出一条分界线；真正的威力来自把它们大量地连起来。

把神经元排成层

神经元通常按层组织。第一层接收原始数据，叫输入层；最后一层给出结果，叫输出层；夹在中间的都叫隐藏层，因为它们的值既不是输入也不是输出，外人看不到。前一层的每个神经元都会连到后一层的每个神经元，这种连法叫做全连接。

信息从输入层一路算到输出层的过程，叫做前向传播。每一层都在上一层结果的基础上做一次“加权求和加激活”，把原始信号逐步改造成对任务更有用的表示。比如识别动物时，输入是像素亮度，中间层可能逐渐出现“这里有条边”“这块有纹理”这样的抽象特征。

深度带来了什么

所谓深度学习，深度指的就是隐藏层的层数比较多。层数的意义在于复用：浅层学到的简单模式可以被深层反复组合成复杂模式。识别一张脸，可能需要先有边缘、再有眼睛和鼻子、最后才是整张脸，这种层层叠加的抽象正是深度网络的价值所在。

但层数不是越多越好。网络太深会带来梯度传递困难、训练不稳定等问题，还需要靠残差连接、归一化等一系列技巧来支撑。这也是为什么现代网络的结构设计不只是堆层数，而是要解决信息如何在几十上百层之间顺畅流动这个更本质的问题。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。