人工神经网络用权重与阈值模拟神经元的兴奋/抑制

生物神经元通过树突接收多个输入信号、通过轴突输出兴奋或抑制状态，人工神经网络里的一个神经元原样模仿了这个机制：把各路输入值分别乘以各自的权重后加总（有效输入），如果这个加权和超过神经元自己的阈值就输出 1（兴奋），否则输出 0（抑制）。权重可正可负——正权重让对应输入起兴奋作用，负权重让它起抑制作用，权重的绝对值大小则控制这种作用的强弱；把大量这样的神经元分层连接（输入层、若干隐藏层、输出层，每层神经元与下一层全连接），就得到一个人工神经网络。发散：神经网络最反直觉的地方在于它不是被程序员按逻辑显式编程出来的，而是通过监督训练在大量输入-期望输出的示例上反复微调权重，直到网络的实际表现逐渐逼近期望行为——这意味着没有人真正”编写”了网络里具体某个权重该是多少，那些权重是训练过程自动摸索出来的，这也是为什么神经网络常被视为一个难以直接解释内部决策依据的”黑盒”。