我們經(jīng)常會把大腦和計算機進行比較，大腦和計算機有很多相似之處。大腦包含了千億級別的神經(jīng)元（neurons ），神經(jīng)元細胞互相連接協(xié)同工作從而使大腦具有不可思議的神奇能力。神經(jīng)元包含細胞體和神經(jīng)元突起兩部分，細胞體由細胞核、細胞膜和細胞質(zhì)構(gòu)成，具有整合輸入信息并傳出信息的作用。而神經(jīng)元突起又分為樹突（dendrite）和軸突（axon）兩種，樹突具有接受刺激并將沖動傳入細胞體的功能，軸突的主要是將神經(jīng)沖動由胞體傳至其他神經(jīng)元或效應(yīng)細胞。神經(jīng)元是神經(jīng)系統(tǒng)最基本的結(jié)構(gòu)和功能單位，在整個大腦中神經(jīng)元只有大概10%，其余部分都是神經(jīng)膠質(zhì)。

我們都知道計算機的核心是處理器，處理器由大量的晶體管（transistor）構(gòu)建而成。最新的微處理器包含了超過20億個晶體管，即使是功能非常簡單的微處理器也包含了至少500萬個晶體管。這些晶體管共同協(xié)作使得計算機具有強大的數(shù)據(jù)處理能力。構(gòu)建處理器的晶體管是一種固體半導(dǎo)體器件，具有檢波、整流、放大、開關(guān)、穩(wěn)壓、信號調(diào)制等多種功能，作為一種可變電流開關(guān)，晶體管能夠基于輸入電壓控制輸出電流。由晶體管構(gòu)成的處理器連接和控制各種各樣的計算機外圍輸入輸出設(shè)備，使得計算機具有強大交互能力，在我們生活中扮演著越來越重要的角色。

雖然大腦是由大量互聯(lián)的神經(jīng)元細胞構(gòu)成，計算機的中央處理器也是由大量的晶體管構(gòu)建而成，但是大腦神經(jīng)元和計算機晶體管在連接方式，以及大腦和計算機的運行方式是完全不同的。 大腦中神經(jīng)元細胞以一種大量復(fù)雜并行的方式連接在一起，每個神經(jīng)元可能和上萬個其它神經(jīng)元連接在一起；而計算機中晶體管以相對簡單的方式串聯(lián)在一起，每個晶體管可能只和兩到三個其它晶體管連接起來形成邏輯門電路。這種連接結(jié)構(gòu)上的差異導(dǎo)致了大腦和計算機在工作方式的巨大差異。計算機可以精確無誤的存儲海量的數(shù)據(jù)信息，并且可以根據(jù)計算機指令對數(shù)據(jù)進行任意處理，例如計算機可以輕松的存儲整個圖書館的圖書內(nèi)容，并瞬間精確無誤的找出任意內(nèi)容。對于大腦而言這幾乎是不可能的。相比于計算機，大腦可能需要花費數(shù)月甚至數(shù)年的時間來學(xué)習(xí)和理解一些復(fù)雜的東西，在此基礎(chǔ)之上大腦可以以一種全新的方式對外界輸入做出響應(yīng)。例如大腦可以很容易就能準(zhǔn)確地識別出圖片中的物體，即使是圖片中包含以前不曾見過的物體。 這類對于計算機而言非常復(fù)雜的問題，對大腦而言卻非常的容易。這也就是神經(jīng)網(wǎng)絡(luò)的魅力所在。

人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks） 是一種模仿生物神經(jīng)網(wǎng)絡(luò)行為特征，進行信息處理的算法數(shù)學(xué)模型。在人工神經(jīng)網(wǎng)絡(luò)模型中使用單元節(jié)點模擬神經(jīng)元，通過調(diào)整神經(jīng)網(wǎng)絡(luò)內(nèi)部大量節(jié)點（神經(jīng)元）之間相互連接的權(quán)重來達到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)的神奇之處在于不需要顯示的編程告訴計算機該如何處理信息，它可以像大腦一樣從已知數(shù)據(jù)信息中進行自我學(xué)習(xí)，然后對全新的輸入數(shù)據(jù)信息輸出正確的響應(yīng)。人工神經(jīng)網(wǎng)絡(luò)并非真正的大腦，它只是使用軟件模擬人腦，用軟件的方式使普通的晶體管像數(shù)億互聯(lián)的神經(jīng)元細胞一樣工作。

一個典型的人工神經(jīng)網(wǎng)絡(luò)由一個輸入層（input layer），多個隱藏層（hidden layer）和一個輸出層（output layer）構(gòu)成。神經(jīng)網(wǎng)絡(luò)的第一層稱為輸入層，被設(shè)計來從外部接收各種輸入；神經(jīng)網(wǎng)絡(luò)的最后一層稱為輸出層，輸出處理結(jié)果；位于輸入和輸出層之間有一到多個層稱為隱藏層，神經(jīng)網(wǎng)絡(luò)的大部分由隱藏層構(gòu)成。每一層由單元節(jié)點（或稱為神經(jīng)元，感知器）構(gòu)成，并且單元節(jié)點與前后的層的單元節(jié)點互相連接。幾乎所有的神經(jīng)網(wǎng)絡(luò)都是全連接的，即每層中的單元節(jié)點與它兩邊的層的各個單元節(jié)點都是連接的。神經(jīng)網(wǎng)絡(luò)對連接都賦予一個權(quán)重值，權(quán)重表明前一個單元的輸出對下一個單元輸出的影響力。

數(shù)據(jù)信息從神經(jīng)網(wǎng)絡(luò)的輸入層進入神經(jīng)網(wǎng)絡(luò)，經(jīng)過隱藏層單元節(jié)點的處理，最后由輸出層輸出處理結(jié)果。最最簡單的人工神經(jīng)網(wǎng)絡(luò)是前饋神經(jīng)網(wǎng)絡(luò)，前饋神經(jīng)網(wǎng)絡(luò)是一個沒有循環(huán)，單向傳播，是最簡單的人工神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)中的單元節(jié)點從它左邊單元節(jié)點接收輸入， 輸入乘以各個連接上的權(quán)重然后求和，如果加權(quán)求和的值大于某個閥值，這個單元將觸發(fā)輸出到右側(cè)與它相連單元節(jié)點。

神經(jīng)網(wǎng)絡(luò)需要經(jīng)過訓(xùn)練和學(xué)習(xí)，從而使得神經(jīng)網(wǎng)絡(luò)能生成期望的輸出。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)可分為：監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中最常用的是監(jiān)督學(xué)習(xí)。在監(jiān)督學(xué)習(xí)中每個訓(xùn)練實例都是由一個輸入值和一個期望的輸出值（也稱為監(jiān)督信號）組成。訓(xùn)練的輸入值通過神經(jīng)網(wǎng)絡(luò)的后得到輸出值，輸出值和期望值之間的誤差差從輸出層開始反向逐層反饋回神經(jīng)網(wǎng)絡(luò)，這個反饋過程就是神經(jīng)網(wǎng)絡(luò)的反向傳播過程。在反向傳播過程中，神經(jīng)網(wǎng)絡(luò)根據(jù)誤差來修正單元之間連接的權(quán)重，從而縮小輸出與期望之間誤差。整個訓(xùn)練的關(guān)鍵是給權(quán)重設(shè)置正確的值，從而在神經(jīng)網(wǎng)絡(luò)能夠生成期望的輸出。反向傳播使神經(jīng)網(wǎng)絡(luò)具有自我學(xué)習(xí)的能力。

經(jīng)過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)能夠處理全新輸入數(shù)據(jù)，生成期望的輸出值。例如，使用大量已經(jīng)標(biāo)記好的椅子和桌子的圖片訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后當(dāng)輸入一張以前沒有見過的椅子或桌子的圖片時，神經(jīng)網(wǎng)絡(luò)會根據(jù)以往訓(xùn)練圖片中得到的經(jīng)驗辨別圖片中的是椅子還是桌子。在這個例子中，假設(shè)輸入圖片被抽象成包含五個布爾變量的向量：1）圖片包含的物體是否有后背？2）是否有頂部？3）是否有柔軟的墊子？4）是否可以長期舒適地坐在上面？5）能否堆放很多東西放在上面？ 通過訓(xùn)練，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的椅子的典型特征是有后背，沒有頂部，有軟墊，可以只長期舒適地坐在上面，不能放東西；而桌子的典型特征是沒有后背，有頂部，沒有軟墊，不能長期舒適地坐在上面，可以堆放東西。當(dāng)全新的圖片輸入神經(jīng)網(wǎng)絡(luò)時，它會檢查輸入數(shù)據(jù)是否具有對應(yīng)的特征，并依據(jù)輸入物體的特征做出判斷。

神經(jīng)網(wǎng)絡(luò)被廣泛的應(yīng)用來解決各類問題，如模式識別，信息處理，決策制定等。在自動駕駛領(lǐng)域，輸入層從各種傳感器獲取信號和數(shù)據(jù)，數(shù)據(jù)經(jīng)過神經(jīng)網(wǎng)絡(luò)處理，由輸出單元的輸出并調(diào)整車輛的狀態(tài)；在金融領(lǐng)域，銀行也可以使用神經(jīng)網(wǎng)絡(luò)來做放貸風(fēng)險控制，根據(jù)過往的信用記錄，當(dāng)前收入狀況以及雇傭情況等來幫助決定是否向發(fā)放貸款等；日常生活中，像手寫識別、語音識別等也可以通過簡單的神經(jīng)網(wǎng)絡(luò)完美的解決。