人工神經網絡ANN

感知器與權重機制

感知器是最早的人工神經元模型，能夠接收多個輸入（如天氣、價格等），通過加權求和并與閾值比較，生

成二進制輸出。權重表示輸入的重要性，而閾值決定輸出的觸發條件。例如，若天氣權重為8，價格權重為4，

閾值為8，則總和超過閾值時輸出為1，否則為0。

多層前饋神經網絡

多層前饋神經網絡由輸入層、隱藏層和輸出層組成。輸入層接收原始數據，隱藏層通過權重矩陣和激活函數

進行非線性變換，輸出層生成最終結果。正向傳播算法用于從輸入到輸出的計算，適用于分類和回歸任務。

正向傳播過程

正向傳播通過以下公式實現：

其中，W(i)為權重矩陣，b(i)為偏置向量，f為激活函數。每層的輸出作為下一層的輸入，直至輸出層。

反向傳播算法（BP算法）

反向傳播算法是神經網絡訓練的核心，用于調整權重和偏置（偏置Bias是神經網絡中用于調節神經元激活閾值的參數，決定著當輸入信號的加權和達到何種程度時神經元會被激活。）以最小化預測誤差。它基于鏈式法則（復合

函數的求導公式）計算梯度，并結合梯度下降法優化網絡參數。BP算法通過多次迭代逐步逼近最優解。

深度學習與神經網絡的關系

深度學習是機器學習的一個重要分支，其概念源于人工神經網絡，但通過引入更多層次和復雜結構（

如卷積神經網絡CNN、循環神經網絡RNN），實現了更強的表達能力。深度學習可以看作是傳統神經網絡的升級版。