刺激或其他细胞信息类似，人工神经网络中的基本单元神经元可以起到相同的作用，可以接受来自 其他神经元的输入或者是外部的数据，然后计算一个输出。如图1所示为神经元的工作原理，首先 每个输入值被赋予一个权值，权值大小取决于这个输入数据的重要性，然后进行激活函数的运算， 常见的激活函数有sigmod函数、relu函数和tanh函数等，目的是给输出值引入非线性，从而用于更 好地描述现实问题阁。与神经细胞相同，当前神经元的输出可以作为其他神经元的输入，反之其他 神经元的输出也可作为当前神经元的输入。 Neuron 最终版 Activation function 八z) Weighting 围1人工神经神经元结构及工作理 Fig.I Structure and working principle of artificial neural network neurons 图2为深度学习模型的基本结构，通常由一个输入层、一个输出层和若干隐藏层构建而成，其 中每层都有若干神经元，每两个神经元之间都有对应权值来决定上级输入数据的重要性。深度学习 模型的输入层用于接收数据，y然后将输入数据传递给第一个隐含层，隐含层会针对这些数据进行函 录用 数运算，并在隐含层内部进行数据传输， 最后一个隐含层会将计算结果传递给输出层，由输出层输 出最终数据。 Input layer Hidden layer Output laye 圆2深度学习模型基本构 Fig.2 Deep learning model basic structure刺激或其他细胞信息类似，人工神经网络中的基本单元神经元可以起到相同的作用，可以接受来自 其他神经元的输入或者是外部的数据，然后计算一个输出。如图 1 所示为神经元的工作原理，首先 每个输入值被赋予一个权值，权值大小取决于这个输入数据的重要性，然后进行激活函数的运算， 常见的激活函数有 sigmod 函数、relu 函数和 tanh 函数等，目的是给输出值引入非线性，从而用于更 好地描述现实问题[8]。与神经细胞相同，当前神经元的输出可以作为其他神经元的输入，反之其他 神经元的输出也可作为当前神经元的输入。 图 1 人工神经网络神经元结构及工作原理 Fig.1 Structure and working principle of artificial neural network neurons 图 2 为深度学习模型的基本结构，通常由一个输入层、一个输出层和若干隐藏层构建而成，其 中每层都有若干神经元，每两个神经元之间都有对应权值来决定上级输入数据的重要性。深度学习 模型的输入层用于接收数据，然后将输入数据传递给第一个隐含层，隐含层会针对这些数据进行函 数运算，并在隐含层内部进行数据传输，最后一个隐含层会将计算结果传递给输出层，由输出层输 出最终数据。 Input layer Hidden layer Output layer Ă Ă x1 x2 x3 x4 图 2 深度学习模型基本结构 Fig.2 Deep learning model basic structure 录用稿件，非最终出版稿