神经网络：输入层是否由神经元组成？
Neural Networks: Does the input layer consist of neurons?
我目前在研究神经网络理论，我看到到处都写着它由以下几层组成：
- 输入层
- 隐藏层
- 输出层
我看到一些图形描述将输入层显示为网络中的真实节点，而其他人将该层显示为值的向量 [x1, x2, ... xn]
正确的结构是什么？
"input layer" 是真实的神经元层吗？或者这只是抽象地命名为层，而它实际上只是输入向量？
添加我在网上找到的相互矛盾和令人困惑的照片：
这里看起来输入层由神经元组成：
这里看起来输入层只是一个输入向量：
让我用一些数学符号来回答你的问题，这些符号比随机图像更容易理解。首先，记住感知器。
感知器的任务是找到一个决策函数，将给定集合中的一些点分类为 n 类。所以，对于函数
f : R^n -> R , f(X) = <W, X> + b
其中 W 是权重向量，X 是点向量。例如，如果您有一条由等式 3x + y = 0 定义的线，则 W 为 (3,1)，X 为 (x,y).
神经网络可以被认为是一个图，其中图的每个顶点都是一个简单的感知器——也就是说，网络中的每个节点只不过是一个接受一些值并输出一个新值的函数，然后可以用于下一个节点。在你的第二张图片中，这将是两个隐藏层。
那么这些节点需要什么作为输入？一组 W 和 Xs - 权重和点向量。在您的图像中，用 x0, x1, .. xn 和 w0, w1, .. wn 表示。
最终，我们可以得出结论，神经网络需要发挥作用的是一组权重和点的输入向量。
我给你的总体建议是选择一个来源进行学习并坚持下去，而不是通过互联网浏览相互矛盾的图片。
Is the "input layer" a real layer of neurons? Or is this just abstractly named as layer, while it really is just the input vector?
是的，两者都是 - 取决于抽象。在纸面上，网络有输入神经元。在实现层面上，你必须组织这些数据（通常使用 arrays/vectors），这就是你说输入向量的原因：
输入向量保存输入神经元值（代表输入层）。
如果您熟悉图论或图像处理的基础知识 - 原理相同。例如，您可以将图像称为矩阵（技术视图）或像素场（更抽象的视图）。
我目前在研究神经网络理论，我看到到处都写着它由以下几层组成：
- 输入层
- 隐藏层
- 输出层
我看到一些图形描述将输入层显示为网络中的真实节点，而其他人将该层显示为值的向量 [x1, x2, ... xn]
正确的结构是什么？
"input layer" 是真实的神经元层吗？或者这只是抽象地命名为层，而它实际上只是输入向量？
添加我在网上找到的相互矛盾和令人困惑的照片：
这里看起来输入层由神经元组成：
这里看起来输入层只是一个输入向量：
让我用一些数学符号来回答你的问题，这些符号比随机图像更容易理解。首先，记住感知器。
感知器的任务是找到一个决策函数，将给定集合中的一些点分类为 n 类。所以，对于函数
f : R^n -> R , f(X) = <W, X> + b
其中 W 是权重向量，X 是点向量。例如，如果您有一条由等式 3x + y = 0 定义的线，则 W 为 (3,1)，X 为 (x,y).
神经网络可以被认为是一个图，其中图的每个顶点都是一个简单的感知器——也就是说，网络中的每个节点只不过是一个接受一些值并输出一个新值的函数，然后可以用于下一个节点。在你的第二张图片中，这将是两个隐藏层。
那么这些节点需要什么作为输入？一组 W 和 Xs - 权重和点向量。在您的图像中，用 x0, x1, .. xn 和 w0, w1, .. wn 表示。
最终，我们可以得出结论，神经网络需要发挥作用的是一组权重和点的输入向量。
我给你的总体建议是选择一个来源进行学习并坚持下去，而不是通过互联网浏览相互矛盾的图片。
Is the "input layer" a real layer of neurons? Or is this just abstractly named as layer, while it really is just the input vector?
是的，两者都是 - 取决于抽象。在纸面上，网络有输入神经元。在实现层面上，你必须组织这些数据（通常使用 arrays/vectors），这就是你说输入向量的原因：
输入向量保存输入神经元值（代表输入层）。
如果您熟悉图论或图像处理的基础知识 - 原理相同。例如，您可以将图像称为矩阵（技术视图）或像素场（更抽象的视图）。