1.神经网络简介
神经网络技术起源于上世纪五、六十年代，当时叫感知机（perceptron），拥有输入层、输出层和一个隐含层。
许多涉及智能、模式识别和物体检测的任务都极难自动化，但动物和幼儿似乎可以轻松自然地完成。例如，小孩子如何学会区分校车和公交车之间的区别？我们自己的大脑是如何在不知不觉中每天下意识地执行复杂的识别任务的？我们是如何一眼就能区分猫与狗的？
我们每个人都包含一个现实生活中的生物神经网络，它与我们的神经系统相连——这个网络由大量相互连接的神经元（神经细胞）组成。📖
“人工神经网络”是一种试图模仿我们神经系统中的神经连接的计算系统。人工神经网络也被称为“神经网络”或“人工神经系统”。通常缩写人工神经网络并将它们称为“ANN”或简称为“NN”。🎀
神经网络最基本的功能是分类，包括图像、语音和文本等，其中，图像分类最常见的案例代表是自动驾驶，语音分类最常见的案例代表是语音助手，文本分类最常见的案例代表是我们平时预览今日头条时的新闻推送 。
百科定义：人工神经网络（Artificial Neural Networks，简写为ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。
2.网络结构
一种常见的神经网络结构由三部分组成，主要包括：
输入层（Input layer），众多神经元接受大量非线形输入信息。输入的信息称为输入向量。
输出层（Output layer），信息在神经元链接中传输、分析、权衡，形成输出结果。输出的信息称为输出向量。
隐藏层（Hidden layer），是输入层和输出层之间众多神经元和链接组成的各个层面。隐层可以有多层，习惯上会用一层。隐层的节点（神经元）数目不定，但数目越多神经网络的非线性越显著，从而神经网络的强健性（控制系统在一定结构、大小等的参数摄动下，维持某些性能的特性。）更显著。
3.逻辑回归
逻辑回归通常是利用已知的特征变量来预测一个离散型目标变量的值(如0/1，是/否，真/假)。通过拟合一个逻辑函数来预测一个事件发生的概率，预测值是一个概率值(0-100%),根据概率值的大小,映射为目标变量的分类值，如：概率值大于等于 50%，映射目标变量分类值为 1，概率值小于 50%，映射目标变量分类值为 0。例如：我们要做一个垃圾邮件过滤系统，是邮件的特征，预测的y值就是邮件的类别，是垃圾邮件还是正常邮件。对于类别我们通常称为正类（positive class）和负类（negative class），垃圾邮件的例子中，正类就是正常邮件，负类就是垃圾邮件。
逻辑回归是一个典型的“二分类”问题，二分类问题是指预测的y值只有两个取值（0或1），由二分类问题可以扩展到多分类问题。
知识扩展：你知道逻辑回归和线性回归的含义和区别吗？
4.激励函数
对于神经网络来说，传统的输入和输出是一个线性关系，对于增加了多个神经元之后，计算公式也是类似
