实用指南：深度学习（2）神经元与需求预测

一、神经元（Neuron）

1. 神经元的基本介绍

在深度学习（Deep Learning）中，神经元（Neuron）是最基础的计算单元。它受到生物神经元（biological neuron）的启发，用来模拟人脑神经系统中“接收输入、处理信息、输出结果”的过程。

在人工神经网络（Artificial Neural Network, ANN）中，每个神经元会接收多个输入信号，对这些信号加权求和，再经过一个激活函数（Activation Function）处理后输出结果。这个输出结果又可以作为下一个神经元的输入。

简单来说，一个神经元结束的核心工作就是：

其中：

• xi​：输入特征（input features）

• wi​：权重（weight）

• b：偏置（bias）

• σ：激活函数（activation function）

• a：输出（activation value）

2. 神经元的结构

可以把一个人工神经元分为以下几个部分：

1. 输入部分（Inputs）：接收来自外部的数据或上层神经元的输出；

2. 加权求和部分（Weighted Sum）：计算输入与权重的加权和；

3. 激活函数（Activation Function）：对线性组合结果进行非线性变换，使模型能够拟合困难的函数关系；

4. 输出部分（Output）：将激活值传递到下一层神经元。

这种结构既容易又灵活，是所有神经网络的基本构建单元。

3. 深度学习中的神经元

在深度学习中，一个模型往往包含成千上万个神经元，这些神经元按照层级（Layer）相互连接，形成神经网络（Neural Network）。

深度学习强大的原因——依据多层结构（多层神经元堆叠），模型可以逐步从简单特征中学习到更抽象、更有意义的特征。就是每个神经元虽然能力简单，但当它们被大量组合在一起时，就能自动学习输入数据的复杂特征。这也

4. 神经网络中神经元的层级结构

一个典型的神经网络通常包括以下几层：

1. 输入层（Input Layer）：

   • 负责接收原始特征材料（例如图像像素、销售价格、文本向量等）。

   • 输入层中的每个节点代表一个特征。

2. 隐藏层（Hidden Layers）：

   • 包含大量神经元，用于从输入资料中学习特征。

   • 每一层的输出（激活值）会作为下一层的输入。

   • 通过每层都能够看作是对内容的一次“特征变换（Feature Transformation）”。

3. 输出层（Output Layer）：

   • 用于产生最终预测结果，例如分类概率、回归值等。

   • 在二分类任务中常用Sigmoid激活函数输出概率；

   • 在多分类任务中常用Softmax函数输出每一类的概率。

整个神经网络的计算流程是：
输入层 →（加权求和 + 激活函数）→ 隐藏层 → … → 输出层

二、需求预测（Demand Prediction）案例

1. 示例：预测 T 恤销量

假设大家要建立一个模型来预测T 恤的销售概率。
可能这样设计神经网络的结构：

• 创建三个神经元：

  1. 实惠程度（Affordability）—— 取决于价格和运费；

  2. 知名度（Awareness）—— 取决于营销投入；

  3. 质量（Quality）—— 取决于价格和材料。

这三个神经元分别从输入数据中提取不同维度的特征，然后将它们的输出连接到一个逻辑回归单元（Logistic Regression Unit）。
逻辑回归单元的输出是一个概率值（Probability），表示该 T 恤是否会被购买。

这种结构体现了神经网络的“层次化特征学习”思想：

输入层：输入价格、运费、营销、材料等原始数据；
隐藏层：借助神经元计算得到中间特征（实惠、知名度、质量等）；
输出层：输出预测结果（例如“被购买”的概率）。

从数学上可以写为：

2. 自主学习与特征提取

当我们“遮住左边”，只看最终的逻辑回归部分（即输出层），会发现网络输出概率似乎只是普通的分类器。
但关键在于，神经网络的前面几层会自动学习出特征，不必须我们人为指定“哪一层该提取什么特征”。

例如在人脸识别（Face Recognition）中：

• 第一层可能学习识别边缘（edges）；

• 第二层可能学习识别眼睛、鼻子等局部结构；

• 第三层则可能学习识别完整的脸部模式。

神经网络通过大量样本训练，能够自动学习不同层级的抽象特征，最终实现对特定任务（如分类、预测）的准确建模。

---

三、总结

• 神经网络的基本计算单元；就是神经元

• 神经网络借助多层神经元的堆叠，实现从简单特征到复杂特征的自动学习；

• 在需求预测等任务中，神经网络能自动提取影响结果的关键因素，从而实现更精确的预测；

• 这种“从输入到输出的层级式学习”是深度学习最核心的思想。