本文共 944 字，大约阅读时间需要 3 分钟。

感知机（perceptron），是神经元间的直连感知：

来自：https://www.youtube.com/watch?v=3JQ3hYko51Y

其中白色较亮的点是被激活（更兴奋）的神经元。

对于多层感知机，只是层数变多了，依旧是直连加反向传播：

来自：https://www.youtube.com/watch?v=3JQ3hYko51Y

轮到现在流行的CNN, 只是比感知机多了卷积层:

来自：https://www.youtube.com/watch?v=3JQ3hYko51Y

到目前为止可以发现，所有连接权重的更新速度是一样的。即所有神经元的连接，在某个时间点的兴奋度低，但在下一个时间点的兴奋度可能很高！（因为反向传播才不管这么多），细想，不符合那句老话：“Neurons that fire together wire together”。此刻兴奋的神经元在下一时刻应该惯性地也比较兴奋才对。

这就引出了脉冲神经网络(SNN)的想法，神经元兴奋度不应该是一瞬间更新的，而是慢慢衰减的，衰减的过程中有机会向更深的网络激活兴奋区，最后，激活的兴奋区才是最后的预测判别结果:

来自：https://www.youtube.com/watch?v=3JQ3hYko51Y

神经网络的结构

输入层：就是接收原始数据，然后往隐层送 输出层：神经网络的决策输出

隐藏层：该层可以说是神经网络的关键，相当于对数据做一次特征提取。隐藏层的意义，是把前一层的向量变成新的向量。就是坐标变换，说人话就是把数据做平移，旋转，伸缩，扭曲，让数据变得线性可分。

可能这个不那么好理解，举个栗子：

一种做法：把左图的平面看成一块布，把它缝合成一个闭合的包包（相当于数据变换到了一个3维坐标空间），然后把有绿色点的部分撸到顶部（伸缩和扭曲），然后外围的红色点自然在另一端了，要是姿势还不够帅，就挪挪位置（平移）。这时候干脆利落的砍一刀，绿点红点就彻底区分开了。

重要的东西再说一遍：神经网络换着坐标空间玩数据，根据需要，可降维，可升维，可大，可小，可圆可扁，就是这么“无敌”

通俗易懂 彻底明白什么是神经网络