第318章 神经网络（5 / 7）

些脉冲相互叠加之后，一旦最终的强度达到临界值，便会让这个神经元细胞启动，随后朝着轴突发送信号。

而轴突通过细胞膜内外的纳钾离子交换让膜电位发生变化，使得整个电信号不衰减地传递下去。

最终这些信号传递到其他的轴突与树突，再激发他们产生信号，成为二级神经元。

像人类的视觉系统，便是通过1亿3千万光感受细胞接受光信号，在通过120万节细胞轴突将信息从视网膜传递到大脑，形成了三维图形。

而机器学习，便是要教给计算机，怎么把它接受的输入结果和我们想要的输出结果关联起来。

诸如看到一张图片，它能够理解这便是我们需要的数字1.

而这依赖的便是感知器，这也是名为神经网络的原因。

感知器，本身便是模拟神经细胞，原先的生物学名词都有了对应的新名字——

权量（突触）、偏置（阈值）及激活函数（细胞体）。

机器无法理解一副图片，但是它可以把图片翻译为“像素点阵”，然后这些点阵以0与1输入。

林奇默默在地面上化了一个初中生熟悉的xy坐标轴，同时在上面点出了(1，1)(-1，1)(-1，-1)(1，-1)这四个左边，它们连接起来便是一个正方形，而这四个左边分别坐落在四个象限。

机器学习需要的便是让机器知晓诸如（2，2）这种应该算作哪一个象限？

这便需要神经网络算法的“分类”作用。

这里输入是一个（2，2）的坐标，它是一个1乘2的矩阵，这是输入层。

设定50个神经元，所以它便是一个1乘50的矩阵，这是隐藏层。

而结果1-4象限，则是一个1乘4的矩阵，这是输出层。

根据线性代数的知识，可以知道矩阵之间是能够沟通的，所以一个输出层的1乘4矩阵可以用最初的1乘2输入层矩阵表达。