从单个神经元到数字识别神经网络的演变

 

 

 

 

 

1. 单个神经元：像一个 “智能开关”

图中最上面的圆圈就是一个神经元，它做两件事：

1. 加权求和：把输入的x₁, x₂, ..., xₙ分别乘以权重w₁, w₂, ..., wₙ，再加偏置b，得到net = w₁x₁ + w₂x₂ + ... + wₙxₙ + b。
2. 激活函数（Sigmoid）：把net扔进 Sigmoid 函数，输出y = sigmoid(net)，结果在 0~1 之间。

2. 神经元的作用：判断 “匹配度”

比如识别数字 3 时：

1. 输入x是图片的像素；
2. 权重w是 “数字 3” 的模板；
3. 输出y越接近 1，说明图片越像数字 3。

3. 神经网络：多个神经元 “组队干活”

下面的图展示了两层神经网络：

1. 输入层：接收原始数据（比如图片像素）；
2. 输出层：多个神经元同时判断（比如同时识别数字 3 和数字 8）。

每个输出层神经元对应一个数字的 “匹配度”，最终选择数值最大的那个作为结果（比如y₃和y₈中，谁大就认为图片是哪个数字）。

4. 数字识别神经网络：“全民投票” 模式

最下面的图是一个完整的数字识别网络（比如识别 0-9 十个数字）：

1. 输入层：接收图片像素；
2. 隐藏层：中间的神经元会自动提取特征（比如边缘、线条）；
3. 输出层：10 个神经元分别对应数字 0-9，每个输出y_i代表 “图片是数字 i 的概率”。

最终，选择输出最大的那个神经元对应的数字，就是识别结果。

总结

这张图把 “加权求和 + Sigmoid” 包装成了一个叫 “神经元” 的单元，多个神经元组队就成了神经网络。本质上，它是用数学公式模拟 “人类判断事物” 的过程 —— 先看局部特征（加权求和），再综合判断（Sigmoid 归一化），最后多个判断一起投票（神经网络）。而数字识别网络就是用这种方式，让 AI 学会 “看图片认数字”。