一个典型的神经网络由输入层、隐藏层和输出层组成，层间通过权重和偏置连接；权重表征神经元间影响程度，偏置调节零输入响应；激活函数（如ReLU、Sigmoid）引入非线性，避免多层退化为线性变换；损失函数（如交叉熵、MSE）衡量误差，优化器（如Adam）依梯度更新参数。
神经网络的基本结构长什么样
一个典型的神经网络由输入层、隐藏层和输出层组成。输入层接收原始数据，比如图片的像素值或文本的词向量；隐藏层负责提取特征，层数和每层神经元数量可以自由设计；输出层给出最终结果，如分类标签的概率或回归数值。层与层之间通过权重（weight）和偏置（bias）连接，这些就是模型要学习的参数。
权重和偏置到底是什么
权重是连接两个神经元的数值，代表前一层某个输出对后一层某个输入的影响程度；偏置则像一个“起点调节器”，让神经元即使在输入为0时也能有非零响应。比如一个全连接层从10个输入映射到5个输出，它就有10×5=50个权重参数，外加5个偏置参数。参数总量直接影响模型容量和训练难度。
激活函数为什么不能少
如果没有激活函数，无论多少层堆叠，整个网络都等价于一次线性变换，根本学不到复杂模式。常用激活函数有ReLU（x if x > 0 else 0）、Sigmoid（把输出压缩到0~1）、Tanh（压缩到-1~1）。ReLU因计算快、缓解梯度消失，在隐藏层最常用；Sigmoid和Tanh多用于二分类输出层或特定场景。
损失函数和优化器怎么配合工作
损失函数衡量预测结果和真实标签之间的差距，比如分类常用交叉熵（Cross-Entropy），回归常用均方误差（MSE）。优化器则根据损失对参数的梯度，决定如何更新权重和偏置。SGD（随机梯度下降）是最基础的，Adam更常用——它自动调整每个参数的学习率，收敛更快更稳。调参时，学习率设得太大容易跳过最优解，太小又收敛极慢。
立即学习“Python免费学习笔记（深入）”；
