人工神经网络（Artificial Neural Network，简称ANN）是一种强大的机器学习技术，擅长于信息处理、发现新模式以及近似复杂过程。它们在处理大型和高度复杂的机器学习任务方面表现出色，例如驱动语音识别服务（如苹果的Siri）、每天向数百万用户推荐最佳视频（如YouTube）或分类数十亿图像（如谷歌图片）。
1958年，心理学家Frank Rosenblatt首次发明了神经网络，名为感知机（Perceptron），旨在模拟人脑处理视觉数据和识别物体的能力。在深入了解神经网络如何工作之前，最好先理解它们是如何受到大脑启发的。
人工神经网络的设计灵感来源于动物大脑的工作方式。大脑是一个复杂的神经元网络，每个神经元都向其他神经元传递信息，并处理感觉输入，将其转化为思想和行动。每个神经元通过其树突接收电输入，树突是将电信号从突触（与前一个神经元的连接点）传播到细胞体（神经元主体）的细胞纤维。如果累积的电刺激超过特定阈值，细胞就会被激活，并通过细胞的轴突（神经元的输出电缆）将电冲动传播到下一个神经元。因此，每个神经元都可以被视为一个非常简单的信号处理单元，当它们堆叠在一起时，可以实现思想和行动。
人工神经网络由称为神经元的个体单元组成。这些神经元被设计成模仿人脑的行为。神经元的关键组成部分如下：
1. 输入：输入是输入模型用于学习的特征。在图像分类中，输入可以是与图像相关的像素值数组。
2. 权重：权重是一个参数，它决定了输入对输出的影响程度。不重要的输入将被缩小，而重要的输入将被放大。例如，在情感分析模型中，负面词汇将比中性词汇对决策产生更深远的影响。
3. 偏置：偏置的作用是控制节点的激活。偏置可以延迟激活，也可以加速激活。
4. 传递函数：传递函数的作用是将加权输入组合到输出中，以便可以应用激活函数。