神经网络基础：从感知机到深度学习

什么是神经网络？

神经网络是一种模仿生物神经系统的计算模型。它由大量互联的节点（神经元）组成，每个节点接收输入、进行计算并产生输出。

感知机

感知机是最简单的神经网络形式，由一个神经元组成：

def perceptron(x, w, b):
    activation = sum(xi * wi for xi, wi in zip(x, w)) + b
    return 1 if activation > 0 else 0

多层神经网络

实际应用中，我们使用多层结构：

1. 输入层 - 接收原始数据
2. 隐藏层 - 提取特征
3. 输出层 - 给出预测结果

反向传播

反向传播是训练神经网络的核心算法，通过计算损失函数对每个权重的梯度来更新参数。

for epoch in range(epochs):
    # 前向传播
    output = model(X)
    loss = criterion(output, y)
    
    # 反向传播
    loss.backward()
    optimizer.step()

总结

神经网络是深度学习的基础，理解其原理对后续学习至关重要。