人脑的运作机制：
基本单元是神经元

接受输入信号
整合输入信号
触发动作电位
传递输出信号

神经网络就是模拟人脑
感知器模型：一种简单的而分裂模型，是神经网络和深度学习的基础，用于模拟人脑神经元的基本功能。分为输入层、权重及激活函数（调节输出）

wx+b     输入   向量
w=权重    处理   
x=输入    输出
b=激活阈值

神经网络的参数=神经元数量x权重+激活阈值
神经元的计算是一个矩阵乘法，需要大量并行计算，GPU擅长此类计算
神经元的全连接（Full Connected）在全连接层中，每个神经元都与前一层的所有神经元相连，形成一个密集的链接模式。、
神经元的连接结构是分层结构
反向传播算法：深度学习中用于训练神经网络的核心算法。它通过计算损失函数关于网络参数的梯度来更新网络权重，使得网络能够通过学习数据来改善其性能。
梯度下降：一种优化算法，用于最小化一个函数，通常在机器学习和热弄智能中惯用语最小化损失函数，从而找到模型参数的最佳值。梯度下降的核心思想是迭代地调整参数，以减少模型的误差