人工神经网络，或简称神经网络，并不是一个新概念.它已经存在了大约80年.
直到2011年，深度神经网络才开始流行使用新技术，巨大的数据集可用性和强大的计算机.
神经网络模仿神经元，它具有树突，核，轴突和末端轴突.
对于网络，我们需要两个神经元.这些神经元通过一个树突和另一个轴突的突触之间的突触传递信息.
一个可能的人工神经元模型看起来像这样 : 去;
神经网络如下图所示 :
圆圈是神经元或节点，它们在数据上的功能和连接它们的线条/边缘是传递的权重/信息.
每列都是一个图层.数据的第一层是输入层.然后，输入图层和输出图层之间的所有图层都是隐藏图层.
如果您有一个或几个隐藏图层，那么您有一个浅层神经网络.如果你有很多隐藏层，那么你有一个深层神经网络.
在这个模型中，你有输入数据，你加权，并通过神经元中的函数传递它称为阈值函数或激活函数.
基本上，它是将某个值与某个值进行比较后的所有值的总和.如果你发出一个信号，那么结果是(1)输出，或者什么也没发出，然后是(0).然后将其加权并传递给下一个神经元，并运行相同类型的函数.
我们可以使用sigmoid(s形)函数作为激活函数.
对于权重，它们只是随机启动，并且每个输入到节点/神经元中它们是唯一的.
在典型的"前馈"中"，最基本的神经网络类型，您可以直接通过您创建的网络传递信息，并将输出与您希望输出使用样本数据的内容进行比较.
从这里开始，您需要调整权重以帮助您使输出与您想要的输出相匹配.
直接通过神经网络发送数据的行为称为前馈神经网络.
我们的数据从输入到层，按顺序，然后到输出.
我们后退并开始调整权重以最小化损失/成本，这称为反向传播.
这是一个n 优化问题.使用神经网络，在实际操作中，我们必须处理数十万个变量，或数百万或更多变量.
第一个解决方案是使用随机梯度下降作为优化方法.现在，有AdaGrad，Adam Optimizer等选项.无论哪种方式，这都是一个庞大的计算操作.这就是为什么神经网络大多数被搁置半个多世纪的原因.直到最近，我们甚至在我们的机器中才有能力甚至考虑进行这些操作，以及匹配的适当大小的数据集.
对于简单的分类任务，神经网络与K Nearest Neighbors等其他简单算法的性能相对接近.当我们拥有更大的数据和更复杂的问题时，实现了神经网络的真正实用性，这两个问题都胜过其他机器学习模型.
