神经网络算法的基本原理
神经网络算法的基本原理是利用现有的数据找出输入与输出之间的权值关系（近似），然后利用这样的权值关系进行仿真。例如，输入一组数据仿真出输出结果，当然你的输入要和训练时采用的数据集在一个范畴之内。
神经网络是一种有监督的机器学习算法，广泛地应用于分类预测、图像识别等领域。神经网络模型中也有输入和输出、中间有多层的神经元，需要经过大量的有监督的训练之后才能发挥作用。没有训练前的神经网络就像幼儿园的小朋友，头脑中是一片空白的，需要拿数据来训练神经网络，训练的过程中会在神经网络中记录下模型参数，相当于玫瑰花的特征，训练结束之后神经网络就可以正确地识别玫瑰花了。
神经网络一般可以分为以下常用的三大类：CNN（卷积神经网络）、RNN（循环神经网络）、Transformer（注意力机制）。
