研究算法的时候用到了神经网络，想了解一下，可是，搜了很多资料，发现很少有人能把神经网络搞清楚的。最后还是在国外的一片文章中
找到了比较详细的介绍，这篇文章让我搞清楚了什么是神经网络，的确是神文啊。做个读书笔记，加深理解吧。
人工神经网络是一种计算模型，是受人的大脑处理信息的方式启发发明的一种信息处理方式。按照形式划分，可以分为单一神经网络和反馈神经网络。
单一神经网络：
神经网络中基本的运算单元是叫神经元，通常称为节点。它接收信息通过其它节点，或者是计算机的外部输入，每个输入都有一个关联权重因子（w），这个因子和其它的输入有很大的相关性。节点使用一个函数来计算出所需的结果，如下图所示：
上图中把输入采纳数X1，X2作为输入，并把W1，W2作为他们的权重因子。除此之外，还有一个输入1权重因子b（偏压bias）的关联输入。后面我们会学到偏压（b）的作用。
输出Y是从神经网络中计算出来的，如上图所示。函数f是非线性的并被称为激活函数。激活函数的额作用就是在神经网络的输出中引入非线性，引入非线性的目的就是方便神经网络学习真实的世界（真实世界中很多东西都是非线性的）。大多数激活函数都是需要一个特性输入并执行固定的数学运算。这里有几个常用的函数估计需要你熟悉一下。
下面的图片是上面的函数的展示：
前馈神经网络：
前馈神经网络是第一个最简单的人工网络。它包括多种神经元排列层，相邻层的神经元有连接和边沿。所有连接的中间都有权重因子。一个前馈神经网络的例子如下所示：
一个前馈神经网络有三种节点组成：
1 输入节点：负责把外边的信息反馈给网络并一起组成输入层。所有的输入节点都不需要计算，它只负责把信息传给隐藏节点。
2 隐藏节点：隐藏节点和外边的世界没有直接联系，因此叫隐藏节点。他们在输入节点和输出节点之间负责信息运算和传输。隐藏节点的集群就是隐藏层。一个前馈网络只有一个输入层和输出层。单它可以有多个或零个隐藏层。
3 输入节点： 输出节点的集群就被称为输出层。该节点负责把网络的信息计算并传输给外边的世界。
在前馈网络中，所有的信息流只朝着一个方向流动，从输入节点输入，通过隐藏节点，到达输出节点。在这个网络中没有周期和循环。
参考文档：
1 https://ujjwalkarn.me/2016/08/09/quick-intro-neural-networks/
2 https://stackoverflow.com/questions/2480650/role-of-bias-in-neural-networks