多层神经网络

含有多个神经元层级的神经网络称为「多层神经网络」，可分为三个部分

• 输入层：仅接受外界输入，不进行函数处理
• 隐含层：对信号加工，包含功能神经元
• 输出层：输出结果。

下图显示了多层神经网络以及对应的权值矩阵。

更一般的，常见的神经网络是下图所示的层级结构，每层神经元与下层神经元全互联，神经元之间不存在同层连接，也不存在跨层连接。这样的神经网络结构通常称为「多层前馈神经网络」（Multi-Layer Feedforward Neural networks）

神经网络的学习过程：根据训练数据来调整神经元之间的「连接权」以及每个功能对应的阈值。一般通过反向传播算法来实现

全连接网络上一层神经元的输入，将传递给下一层的每个神经元作为输入。输入层的神经元个数由样本数据的特征个数决定。样本数据为 维特征向量，则输入层神经元为 个

输出层的神经元个数由带分类问题决定。对于 类分类问题，输出层神经元个数为 个。隐藏层的护具以及每个包含层中神经元的个数上午理论依据，通常通过经验和实验来确定。