在这个模型中，神经元接收到来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”处理以产生神经元的输出。
图1-1M-P神经元模型
把多个这样的神经元按一定的层次结构连接起来，就得到了神经网络。
一个神经网络可以视为包含了许多参数的数学模型，这个模型是若干个如下式所示的函数相互嵌套而得。
其中，f是激活函数，典型的激活函数是sigmoid函数。如下图。激活函数可以使得神经网络具有非线性性。
图1-2Sigmoid函数图像
2、感知机与多层网络
感知机由两层神经元组成，输入层接收外界输入信号后传递给输出层，输出层是M-P神经元。
感知机只有输出层神经元进行激活函数处理，即只拥有一层功能神经元，其学习能力非常有限。它甚至不能解决异或这样简单的非线性可分问题。
要解决非线性可分问题，需考虑使用多层功能神经元。两层感知机就能解决异或问题。输出层与输入层之间的一层神经元，被称为隐含层。隐含层和输出层神经元都是拥有激活函数的功能神经元。
图2-1单层前馈网络
常见的神经网络是形如图1-3所示的层级结构，每层神经元与下一层神经元完全互连，神经元之间不存在同层连接，也不存在跨层连接。这样的神经网络结构同城称为“多层前馈神经网络”，其中输入层神经元接收外界输入，隐层与输出层神经元对信号进行加工，最终结果由输出层神经元输出。
神经网络的学习过程，就是根据训练数据来调整神经元之间的“连接权”以及每个功能神经元的阈值；换言之，神经网络“学”到的东西，蕴含在连接权与阈值中。
3、误差逆传播算法
多层网络的学习能力比单层感知机强的多，而多层网络的学习，单靠感知机的学习规则显然不过，需要更强大的学习算法。误差逆传播（errorbackpropagation，BP）算法就是其中最杰出的代表，它是迄今最成功的神经网络学习算法。
由于其强大的表示能力，BP神经网络经常遭遇过拟合。两种策略常用来缓解BP网络的过拟合。
第一种策略是“早停”：将数据分成训练集和验证集，训练集用来计算梯度、更新连接权和阈值，验证集用来估计误差，若训练集误差降低但验证集误差升高，则停止训练，同时返回具有最小验证集误差的连接权和阈值；
第二种策略是“正则化”，在误差目标函数中增加一个用于描述网络复杂度的部分：
4、全局最小与局部极小
在现实任务中，常采用以下策略来试图“跳出”局部极小，从而进一步接近全局最小：
·以多组不同参数值初始化多个神经网络，按标准方法训练后，取其中误差最小的解作为最终参数。
·使用随机梯度下降，随机梯度下降法在计算梯度时加入了随机因素。于是，即便陷入局部极小点，它计算出的梯度仍可能不为零，这样就有机会跳出局部极小继续搜索。
·遗传算法（geneticalgorithms）
5、其他常见神经网络
·RBF网络
RBF（RadialBasisFunction，径向基函数）网络是一种单隐层前馈神经网络，它使用径向基函数作为隐层神经元激活函数，而输出层则是对隐层神经元输出的线性组合。
·ART网络
ART(AdaptiveResonanceTheory,自适应谐振理论)网络，它具有一个很重要的优点：可进行增量学习或在线学习。
·SOM网络
SOM（Self-OrganizingMap,自组织映射）网络是一种竞争学习型的无监督神经网络，它能将高纬输入数据映射到低维空间（通常为二维），同时保持输入数据在高维空间的拓扑结构，即将高维空间中相似的样本点映射到网络输出层中的邻近神经元。
图5-1SOM网络结构
·Elman网络
Elman网络是最常用的递归神经网络之一，它的结构与多层前馈网络很相似，但隐层神经元的输出被反馈回来，与下一时刻输入层神经元提供的信号一起，作为隐层神经元在下一时刻的输入。隐层神经元通常采用sigmoid激活函数，而网络的训练则常通过推广的BP算法进行。
图5-2Elman网络结构
·Boltzmann机
Boltzmann机是一种“基于能量的模型”，常见结构如图5-3（a）所示，其神经元分为两层：显层与隐层。显层用于表示数据的输入与输出，隐层则被理解为数据的内在表达。Boltzmann机中的神经元都是布尔型的，即只能取0、1两种状态，状态1表示激活，状态0表示抑制。
图5-3Boltzmann机与受限Boltzmann机
Boltzmann机的训练过程就是将每个训练样本视为一个状态向量，使其出现的概率尽可能大。标准的Boltzmann机是一个全连接图，训练网络的复杂度很高，这使其难以用于解决现实任务。现实中常采用受限Boltzmann机（RestrictedBoltzmannMachine,简称RBM）。如图5-3（b）所示，受限Boltzmann机仅保留显层与隐层之间的连接，从而将Boltzmann机结构由完全图简化为二部图。
6、深度学习
深度学习算法实际包含了监督学习和无监督学习算法。
典型的深度学习模型就是很深层的神经网络。显然，对神经网络模型，提高容量的一个简单办法是增加隐层的数目。隐层多了，相应的很神经元连接权、阈值等参数就会更多。模型复杂度也可通过单纯增加隐层神经元的数目来实现，但从增加模型复杂度的角度来看，增加隐层的数目显然比增加隐层神经元的数目更有效，因为增加隐层数不仅增加了拥有激活函数的神经元数目，还增加了激活函数嵌套的层数。
然而，多隐层神经网络难以直接用经典算法（例如标准BP算法）进行训练，因为误差在多隐层内逆传播时，往往会“发散”(diverge)而不能收敛到稳定状态。
无监督逐层训练(unsupervisedlayer-wisetraining)是多隐层网络训练的有效手段，其基本思想是每次训练一层隐节点，训练时将上一层隐节点的输出作为输入，而本层隐节点的输出作为下一层隐节点的输入，这就是“预训练（pre-training）”；在预训练全部完成以后，再对整个网络进行“微调(fine-tuning)”训练。……各层预训练完成后，再利用BP算法等对整个网络进行训练。
深度学习减少训练开销的策略：
1）“预训练+微调”的做法可视为将大量参数分组，对每组先找到局部看起来比较好的设置，然后再基于这些局部较优的结果联合起来进行全局寻优。这样就在利用了模型大量参数所提供的自由度的同时，有效地节省了训练开销。
2）“权共享”即让一组神经元使用相同的连接权。这个策略在卷积神经网络（CNN）中发挥了重要作用。以CNN进行手写数字识别任务为例，这是一种监督学习算法。在训练中，无论是卷积层还是采样层，其每一组神经元都是用相同的连接权，从而大幅减少了需要训练的参数数目。
我们可以从另一个角度来理解深度学习。通过多层处理，逐渐将初始的“底层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”（featurelearning）或“表示学习”（representationlearning）。
以往在机器学习用于现实任务时，描述样本的特征通常需要由人类专家来设计，这成为“特征工程”。特征的好坏对泛化性能有至关重要的影响，人类专家设计出好特征也并非易事；特征学习则通过机器学习技术自身来产生好特征，这使机器学习想“全自动数据分析”又前进了一步。