# 神经网络基本概念

# 神经网络的层

在神经网络中，层（layer）是网络结构中的基本组成部分之一，用于将输入数据转换为输出数据。每一层都包含一组可学习的参数，例如权重和偏置，用于将输入数据映射到输出数据。

通常情况下，神经网络由多个层组成，每个层的输出都作为下一层的输入。在前馈神经网络（feedforward neural network）中，数据从输入层开始流动，通过隐藏层（hidden layer）逐层进行处理，最终输出到输出层（output layer）。在反向传播神经网络（backpropagation neural network）中，网络的输出与期望输出之间的误差被反向传播到每个层，然后使用误差来更新每个层的参数。

在深度学习中，深度神经网络（deep neural network）通常由多个隐藏层组成，这些隐藏层的数量也被称为网络的深度（depth）。深度神经网络的深度越大，其学习能力和表达能力也越强，可以处理更加复杂的任务。

不同类型的层有不同的功能和用途，例如全连接层（fully connected layer）、卷积层（convolutional layer）、池化层（pooling layer）、循环层（recurrent layer）等等。这些层可以根据不同的应用场景和任务进行组合和调整，以构建不同类型的神经网络。

# 相关链接

# 1.一个简单的神经网络模型搭建 (opens new window)

示例代码

from numpy import array,exp,random,dot
X = array([[0,1,0],[1,1,0],[0,0,0],[0,0,1],[1,0,1]])
y = array([[0,1,1,0,1]]).T
random.seed(1)
weights = 2 * random.random((3,1))-1
for it in range(100000):
    output = 1/(1+exp(-dot(X,weights)))
    error = y - output
    delta = error * output *(1-output)
    weights += dot(X.T,delta)
print("误差为:\n",error)
print("相关系数为:\n",weights)
climbing_probability = 1/(1+exp(-dot([[1,1,0]],weights)))
print("小D会去爬山的概率为:\n",climbing_probability)

# 2.计算一个神经网络的输出 (opens new window)

# 3.使用MNIST数据集训练手写数字识别模型 (opens new window)

每个样本有28*28像素点，输入样本有28*28=784个像素值；

故输入层设置784个节点；

隐含层尽量设置成2的n次幂个节点，故选择128个节点，使用ReLu激活函数；

输出层用于输出数字识别结果0~9，故输出层设置10个节点，