神经网络：从模式组合到多层神经网络的进化

这两张图展示了神经网络如何从 “简单判断” 进化到 “复杂识别”：

1. 模式组合：让神经网络 “拆分任务”

第一张图的核心是 “模式组合”：

1. 比如识别数字 3 时，网络会把任务拆成 “识别左半部分” 和 “识别右半部分”；
2. 中间的神经元专门负责提取局部特征（比如左半部分的曲线、右半部分的直线）；
3. 最终输出层的y₃和y₈会综合这些局部特征，判断图片是不是数字 3 或 8。

2. 多层神经网络：让 AI 学会 “分层思考”

第二张图展示了多层神经网络的结构：

1. 输入层：接收原始数据（比如图片像素）；
2. 隐藏层：多层神经元逐层提取特征（第一层提取边缘，第二层提取形状，第三层提取整体轮廓）；
3. 输出层：根据所有特征，最终判断图片内容（比如是不是数字 3）。

总结

神经网络的 “深度” 指的是隐藏层的数量。层数越多，网络能提取的特征越复杂，识别能力越强。就像人看图片时，会先看线条（简单特征），再看形状（复杂特征），最后判断整体内容 —— 多层神经网络就是用这种 “分层思考” 的方式，让 AI 学会识别复杂图案。