中文啦

神经网络：从“模仿大脑”到“解决问题”的全过程（第3页）

简单说：“深度学习”=“多隐藏层的神经网络”，就像“大学数学”=“多步骤的数学题”，核心是“步骤多了，能解决更难的问题”。

2. “卷积神经网络（CNN）”：专门处理“图片”的神经网络，像你看画一样“局部到整体”

你看一幅画时，不会一下子把整幅画的细节都记住，而是先看“左上角的花”“中间的人”“右下角的树”，再把这些局部拼起来，理解整幅画的内容。

“卷积神经网络”就是模仿这个逻辑，专门用来处理图片的。它的核心 trick 是“先看局部，再拼整体”：

- 第一步：“看局部”——用一个“小窗口”（比如3×3的像素）在图片上滑动，每次只看这个小窗口里的细节（比如“这个窗口里有没有猫的眼睛轮廓？”）；

- 第二步：“拼整体”——把所有小窗口看到的局部信息汇总，比如“左边小窗口有眼睛，中间小窗口有鼻子，右边小窗口有嘴巴”，最后判断“这是猫的脸”。

这就像你拼图：先把“天空的碎片”“房子的碎片”“人的碎片”分别拼好（局部），再把这些部分拼在一起（整体），得到完整的拼图。CNN处理图片的逻辑，和拼图的逻辑完全一样，所以它特别擅长认图片、画图片——比如手机的“人脸解锁”、AI画插画，用的都是CNN。

3. “循环神经网络（RNN）”：专门处理“文字、声音”的神经网络，像你读句子一样“记前后文”

你读句子时，不会孤立地看每个字，而是会联系前后文理解意思。比如“他今天吃了一碗热____”，你会根据“热”和“一碗”，猜到后面可能是“面”“汤”，而不是“石头”——因为你记住了“前面的内容”。

“循环神经网络”就是模仿这个逻辑，专门处理“有先后顺序”的信息，比如文字、声音、时间序列（比如股票价格、天气数据）。它的核心 trick 是“能记住前面的信息，用来判断后面的内容”：

这章没有结束，请点击下一页继续阅读！

- 比如AI写文案时，你输入“今天天气很好，我想去____”，RNN会记住“天气很好”这个前面的信息，然后输出“公园”“爬山”“散步”这些符合语境的词，而不是“睡觉”“开会”；

- 比如AI识别语音时，你说“我想去北____”，RNN会记住“北”这个发音，然后判断后面可能是“京”“海”“方”，而不是“猫”“狗”。

这就像你和朋友聊天，朋友说“昨天我去了一个地方，那里有很多书，还能安静地坐着”，你不用朋友说完，就知道他说的是“图书馆”——因为你记住了前面的“有很多书”“安静”这些信息。RNN的“循环”，就是指“前面的信息会循环影响后面的判断”，所以它特别擅长处理文字、声音这类“有顺序”的内容。

4. “反向传播”：神经网络的“纠错神器”，像你考试后改错题一样“从结果倒推原因”

你考试后发现一道题错了，不会只改个答案就完了，而是会“从结果倒推”：“这道题选B错了，为什么错？因为我没理解公式里的x是什么意思，那我得重新看公式。”

“反向传播”就是神经网络的“倒推纠错”过程。当神经网络给出错误答案（比如把狗当成猫）时，它会从“输出层”（错误答案）倒着往“输入层”（图片信息）推，找出“哪个隐藏层的判断错了”“哪个特征的连接强度设错了”，然后调整参数。

比如它把狗当成猫，反向传播会发现：“哦，是因为‘有毛’这个特征的连接强度太高了，导致我忽略了‘狗的耳朵是耷拉的’这个特征，下次要降低‘有毛’的强度，提高‘耳朵形状’的强度。”

这就像你做饭时，炒的菜太咸了，你会倒推：“盐放多了？还是酱油放多了？” 然后下次调整调料的量。反向传播就是神经网络的“找错、改错”工具，没有它，神经网络就没法从错误中学习，永远只能“瞎猜”。