神经网络（Neural Network，NN）是一种受生物大脑启发的计算模型，由大量简单处理单元（人工神经元）分层连接而成。每个神经元接收输入、乘以权重、加偏置、经过激活函数后输出，多个神经元组合成层，多层堆叠形成深度网络。
基本组成
- 输入层：接收原始数据
- 隐藏层：逐层提取特征（1层=浅层网络，多层=深度网络）
- 输出层：给出预测结果
- 权重与偏置：网络"记忆"知识的地方，通过训练不断调整
如何学习
训练时，模型将预测结果与真实答案比较，用损失函数衡量误差，再通过反向传播算法计算每个权重应调整的方向和幅度，配合梯度下降逐步优化——这个过程反复迭代，直到误差收敛。
主要类型
全连接网络（MLP）、卷积神经网络（CNN，擅长图像）、循环神经网络（RNN，擅长序列）、Transformer（当前主流，擅长并行处理文本）。几乎所有现代AI——从人脸识别到大语言模型——底层都是神经网络。