神经网络的基本结构

在了解了什么是神经网络之后，我们就要来探讨神经网络的基本结构是什么了。

基本的三层结构：输入层，隐藏层，输出层

输入层

顾名思义，就是信号输入的地方，这一层的节点上需要有足够的数量，来满足描述输入特征的需求。
举个例子来说，如果需要识别一张像素为$256\times 256$的照片，那么输入层就需要用$256\times 256$个结点，每个结点描述对应的一个像素，这样输入层就可以将整张照片的信息传递到神经网络中去了。

输出层

顾名思义，就是运算结果输出的地方。输出层一般都是需要精心设计来满足神经网络功能的需求。
比如说，这是一个用来对时间进行分类的神经网络，要把这些东西分成20类，那么输出层就可以设计20个结点，然后根据每个结点上输出值的大小，来判断输入最有可能是属于哪一类。

隐藏层

从宏观上来看，我们只是将信息通过输入层输入到神经网络，然后在输出层得到我们想要的结果。而中间整个运算步骤我们是“看不见的”，因此称为隐藏层。
与输入层，输出层不同的是，隐藏层并不只有一层，它可以有两层，三层，甚至更多，这个根据神经网络功能需求设计的。
但是无论多少层，都统称为隐藏层。

对于隐藏层的节点数，并没有一个严格的标准，只是根据个人喜欢，并根据神经网络的测试结果进行调整。
一般来说，隐藏层的结点数不宜过多，不然会使得神经网络对信息的总结能力下降。
但也不宜过少，过少会导致信息过于集中，不利于正确地做出判断。

• 有了这个结构之后，信息又是如何在上面传递的呢？