你有没有想过，为什么模型要设置那么多层神经元而不是一层？是不是层数越多，模型就越好呢？其实不一定，那么今天我们就来讲一讲非线性、隐藏层和反向传播。

人工神经元

首先我们来认识一下人工神经元。人工神经元不是真正的大脑，而是一个负责计算的函数。神经元会把输入乘以对应的权重，再加上偏置，最后交给激活函数处理，简单来说就是：接收输入→乘权重→求和→加偏置→激活函数→输出，权重决定模型更重视哪些，偏置则帮助模型调整判断标准。比如识别一只喵时，有的神经元可能更关注耳朵，有的可能更关注眼睛和胡须。

非线性与隐藏层

首先什么是线性，简单来说线性就是无论输入是多少，都按照同一种固定的计算规则变化。望文生义，非线性就是有有固定规则，只是在不同区间的计算方式不同。，比如出租车超过3公里就重新计算，这就是一种非线性，ReLU就是一种非线性，如果z<=0时，输出0，如果z>0时，输出z。隐藏层就是藏在输入层和输出层中间的网络层，负责提取信息。

前向传播与反向传播

前向传播就是数据从输入层开始，按照顺序经过各个隐藏层，最后到达输出层并产生预测结果的过程。而反向传播就是模型从最终的Loss开始，由后往前计算每个权重和偏置对Loss产生了多大影响。简单来说前向传播预测结果，反向通过结果对比Loss计算出每个权重和偏置对Loss产生了多大影响。

好啦，喵，恭喜你学会了非线性，隐藏层和反向传播，快去搭建你的多层神经网络吧！🐱

楼主讲得挺通俗的，尤其是拿出租车计费比喻非线性，一下就懂了 😹

补充一点，为什么单层不行：如果只有线性变换，多层叠起来其实还是等价于一层，因为线性的组合仍是线性。正是 ReLU 这类激活函数引入了非线性，才让多层有了意义，能拟合更复杂的边界。

不过层数确实不是越多越好，太深容易梯度消失、过拟合，还得配合残差、归一化这些手段。感谢分享，学习了！

好贴

@痛失姓名的站长，快点给我推流

@FuyaOo0o0O #1 严重怀疑是用AI写的

就像一元一次函数解决不了复杂问题一样。

@comingpeople #5 是的，你这个理解很到位

year!又有精华了喵