6.深度学习入门：神经网络是如何“思考”的？

1. 从神经元到神经网络
   生物灵感：大脑有约860亿个神经元，每个接收信号、处理、然后传递给下一个。
   人工神经元：数学函数 y = f(w1x1 + w2x2 + … + b)

🧠 单个神经元就像一个小决策器：
输入：x1, x2（比如温度、湿度）
权重：w1, w2（重要性）
偏置：b（基础阈值）
激活函数：f（决定是否“兴奋”）

2. 最简单的神经网络：感知机
   只能处理线性可分问题（如AND、OR）。
   要解决异或（XOR）问题，需要多层网络。

3. 多层神经网络（MLP）
   输入层：接收原始数据（图片像素、房价特征）

隐藏层：提取抽象特征（可以有很多层→“深度”学习）

输出层：给出最终结果（分类概率、回归值）

📐 前向传播：数据从左到右流过网络，计算出预测值。

4. 神经网络怎么学？——反向传播
   前向：计算预测值

损失：比较预测与真实值（如交叉熵损失）

反向：从输出层往输入层，计算每个权重的梯度（用链式法则）

更新：梯度下降法调整权重

重复多轮（epoch）

🧮 直观理解：
误差像涟漪一样从输出层向后传播，告诉每一层的神经元“你该为错误承担多少责任”，然后它们修正自己的权重。

5. 用Keras搭一个3层神经网络（10行代码）