通俗易懂：彻底明白什么是神经网络
想象一个黑箱子，你给它输入（样本），它给你输出（实际输出），但是输出和你想要的结果有偏差，于是你事先告诉它你想要的结果（期望输出），它做一些调整（调整内部权值和阈值）以适应你的期望，如此反复，黑箱子就摸透了你的这些样本的规律，于是在来一些没有期望输出的样本就能预测输出了，但是这些样本必须是属于一类问题的，如果换了一类就必须重新训练它，这个黑箱子是神经网络，有很多有层次有连接的神经元构成。
谷歌人工智能写作项目：神经网络伪原创
卷积神经网络通俗理解
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一文案狗。
卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络。
请问谁能用简单通俗的几句话讲清楚bp算法（神经网络中的）是个什么算法？
神经网络，什么过拟合？，什么是欠拟合？
欠拟合是指模型不能在训练集上获得足够低的误差。而过拟合是指训练误差和测试误差之间的差距太大。通过调整模型的容量(capacity)，我们可以控制模型是否偏向于过拟合或者欠拟合。
通俗地，模型的容量是指其拟合各种函数的能力。容量低的模型可能很难拟合训练集。容量高的模型可能会过拟合，因为记住了不适用于测试集的训练集性质。
人工智能与神经网络之间有什么关系？
神马？你接触了神经网络？
真了不起，人工智能与神经网络没有直接关系（神经元芯片出来后，会怎么样就不知劳），只是人工智能模仿了神经网络的部分功能，过50年后，也许能够完全模仿，期间计算机技术能按照现在的发展速度去发展话，是有可能的。
真的实现的那一天，人类未日是不是就会到来？
如何理解dropout
开篇明义，dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。
注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。dropout是CNN中防止过拟合提高效果的一个大杀器，但对于其为何有效，却众说纷纭。
在下读到两篇代表性的论文，代表两种不同的观点，特此分享给大家。
组合派参考文献中第一篇中的观点，Hinton老大爷提出来的，关于Hinton在深度学习界的地位我就不再赘述了，光是这地位，估计这一派的观点就是“武当少林”了。注意，派名是我自己起的，各位勿笑。
观点该论文从神经网络的难题出发，一步一步引出dropout为何有效的解释。大规模的神经网络有两个缺点：费时容易过拟合这两个缺点真是抱在深度学习大腿上的两个大包袱，一左一右，相得益彰，额不，臭气相投。
过拟合是很多机器学习的通病，过拟合了，得到的模型基本就废了。
而为了解决过拟合问题，一般会采用ensemble方法，即训练多个模型做组合，此时，费时就成为一个大问题，不仅训练起来费时，测试起来多个模型也很费时。总之，几乎形成了一个死锁。
Dropout的出现很好的可以解决这个问题，每次做完dropout，相当于从原始的网络中找到一个更瘦的网络，如下图所示：因而，对于一个有N个节点的神经网络，有了dropout后，就可以看做是2n个模型的集合了，但此时要训练的参数数目却是不变的，这就解脱了费时的问题。
动机论
关于循环神经网络RNN,隐藏层是怎么来的？
RNN的隐藏层也可以叫循环核，简单来说循环核循环的次数叫时间步，循环核的个数就是隐藏层层数。
循环核可以有两个输入（来自样本的输入x、来自上一时间步的激活值a）和两个输出（输出至下一层的激活值h、输出至本循环核下一时间步的激活值a），输入和输出的形式有很多变化，题主想了解可以上B站搜索“吴恩达 深度学习”其中第五课是专门对RNN及其拓展进行的讲解，通俗易懂。
B站链接：网页链接参考资料：网页链接。
怎么才能实现大脑细胞更新？？
大脑细胞它的更新是自动的基本不能人为地控制。我们研究广阔的银河系，研究原子分子成就非凡，可人类这么聪明却不知道脑洞是什么样的。
脑科学至关重要，我们对它知之甚少，全球科学家都在竭尽全力探索其奥秘，现在由国人迈出了一步。
现在的磁共振成像技术，看到的是脑区之间很粗的纤维束，而中间的成千上万的神经元网络是看不到的，就好比一根电缆，能看见电缆却看不到铜丝，中国科学家的自主创新技术终于让我们看到铜丝，清晰的。
让机器变成彩色照相机，让大脑图像从黑白变成彩色”，正是这项名为显微光学切片断层成像（MOST）。
它能够全自动地获取荧光标记、高尔基和尼氏染色的啮齿类全脑神经网络和血管数据集有了MOST技术，我们才在国际上首次实现多尺度全脑神经环路的精准自动成像，能够对同一哺乳动物脑以体素1微米分辨率，全自动地采集包括轴突、树突、胞体、环路和全脑等多尺度信息，并同步获取细胞构筑解剖坐标信息，这是目前国际上唯一能实现连续、精细、准确地获取哺乳动物全脑内神经网络图谱的技术。
通俗的解释是，这项技术让脑神经的每一丝都清晰可辨，相当于把他们变成了一个个彩色的，注有号码的线。需要用时，轻易找到。
该技术解决了脑科学研究缺乏高分辨率可视化工具的重大难题，对于脑工作机理和脑发育的探究、对疾病和药物研发将发挥重要作用，对类脑智能将提供重要的数据。中国科学家一下子成了世界焦点。
BP神经网络可以用于拟合函数吗
可以。既然是函数拟合，那么事先就已经有函数表达式了。拟合的只是函数表达式中未知的参数。用神经网络对函数进行拟合，输出的就是未知参数的高精近似值。人工神经网络就是模拟人思维的第二种方式。
这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
扩展资料：如果待定函数是线性，就叫线性拟合或者线性回归(主要在统计中)，否则叫作非线性拟合或者非线性回归。表达式也可以是分段函数，这种情况下叫作样条拟合。一组观测结果的数字统计与相应数值组的吻合。
形象的说,拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字。
在MATLAB中可以用polyfit 来拟合多项式。
拟合以及插值还有逼近是数值分析的三大基础工具，通俗意义上它们的区别在于：拟合是已知点列，从整体上靠近它们；插值是已知点列并且完全经过点列；逼近是已知曲线，或者点列，通过逼近使得构造的函数无限靠近它们。
参考资料来源：百度百科-拟合。
为什么我的BP神经网络的预测输出结果几乎是一样的呢
bp神经网络是有一定缺陷的，比如容易陷入局部极小值，还有训练的结果依赖初始随机权值，这就好比你下一个山坡，如果最开始的方向走错了，那么你可能永远也到不了正确的山脚。
可以说bp神经网络很难得到正确答案，也没有唯一解，有些时候只能是更多次地尝试、修改参数，这个更多依赖自己的经验，通俗点说就是“你觉得行了，那就是行了”，而不像1+1=2那样确切。
如果有耐心，确定方法没问题，那么接下来需要做的就是不停地尝试、训练，得到你想要的结果。另外，我不知道你预测的是什么，是时间序列么？比如证券？
这种预测，比较重要的就是输入参数是否合适，这个直接决定了结果精度。
