记得17年第一次阅读深度学习相关文献及代码觉得不是很顺畅，做客户端开发时间久了，思维惯性往往觉得比较迷茫。

而且文章中涉及的数学公式及各种符号又觉得很迷惑，虽然文章读下来了，代码也调试过了，意识里并没有轻松的感觉，隔段时间再看，脑子里又是空空如也。

其实目前来看，深度学习的底层逻辑很简单，只是当时完全迷失在了数学逻辑的符号，公式推导，及代码对应层面，对于神经网络学习的精髓并未完全把握。

我尝试着就自己的理解，极简化其中的数学逻辑，阐述最简单的神经网络学习模型具体原理，不会涉及什么Tensorflow，卷积神经网络这些经常听到的概念，就是很朴素的语言。

可以参考 Michael Nielsen 的经典文章 Neural Networks and Deep Learning

神经网络 - Hello Wrold

具体神经网络缘由介绍很多，此处就不冗余跳过，从一个最简单的问题开始

其中，中间的两层暂时当做大黑盒，黑盒里面就进行着处理识别数字的具体工作

最左边的一层 784 个神经元

最右边的一层神经元，激活值也为 0~1，表明输入的图像 是具体某一个罗马数字的可能性

至于中间为啥两层，每层16个神经元，可以认为就这么着，重在理解模型为主

最终构成了一个神经网络，这个网络包含了 784+16+16+10 个神经元

我们认知手写数字的逻辑可能是这样的

其中 横 组件边缘较 暗的部分，也就是 输入层横 边缘激活值较低的神经元, 对第二层 对应 横组件的 那个神经元 作用就弱，具体表现就是 第一层的神经元连过来的线就弱一些

第一层其余的神经元(跟横无关的神经元) 此刻 练过来的线 甚至可能看不见，影响微乎其微

w表示 - 神经元之间的连线强弱

a表示 - 神经元的激活值

此时，这个装着 横 的神经元的激活值 就是 w1 a1 + w2 a2 + ..... + w784*a784

Sigmoid(w1 a1 + w2 a2 + ..... + w784*a784 - 1), 正好对应 超过上图中的 标注点，神经元激发

最终 Sigmoid(w1 a1 + w2 a2 + ..... + w784*a784 + bias), bias 就是 上面的 -1

抽象网络关系

整个网络中 包含的

开关变量总数：784 16 + 16 16 + 16 10 + 16 2 + 10 = 13002