『壹』 神經網路編程入門
聽到 神經網路 這個詞，從直覺上我們會想到大腦，的確，我們可以將大腦看成一個大型的天然神經網路。然而，人工神經網路又是什麼呢？人工是一個與天然相對的詞，我們首先想到的就是人工大腦或者機器人，這就是所謂的人工。在這種情況下，受人腦的啟發，我們創建出一個和人腦相似的結構，稱之為人工智慧。
結合人腦的特點和結構，可以說人工神經網路是一種自然啟發的方法。每個神經元與許多其他神經元相接，這些神經元又會和其他大量神經元相連，形成一個高度互連的結構。神經元之間的連通性解釋了學習能力，因為每個連接都可以根據刺激和期望目標進行配置。
人工神經元
人工神經元是最基本的人工神經元素，已證明生物神經元是信號處理器，神經元中的樹突會根據接受信號的強弱和振幅。發送信號到軸突。可以這樣認為，神經元在輸入上有一個信號收集器，在輸出上有一個激活單元，它可以觸發一個新的信號，然後傳遞給其他神經元。
激活函數
激活函數是指一個神經元根據輸入信號，執行計算並產生輸出。從數學方面講，激活函數用於為神經網路模型的處理加入非線性因素，從而提供人工神經網路的非線性行為，這對模擬生物神經元的非線性特徵非常有用。激活函數通常是一個非線性函數，輸出限制在某個區間范圍內，但某些特定情況下，也可以是線性函數。
權重
盡管神經網路的結構能固定，但通過神經元之間的連接權重能夠增強或減弱接收到的神經信號，所以可以通過修改權重影響神經元的輸出。因此，神經元的激活不僅依賴輸入信號，還依賴權重。如果輸入來自其他神經元或者外部世界，權重可以看成神經網路在神經元之間建立的連接。
偏置
作為一個獨立組件，偏置主要為激活函數增加一個額外信號，這對人工神經元非常有用。
層
為抽象化處理層次，如我們大腦處理問題的方式，神經元按層組織。輸入層接受外部世界的直接刺激，輸出層觸發一些行為，對外部世界產生直接影響。輸入層和輸出層之間，有許多隱含層，某種意義上，這些隱含層對外部世界不可見。在人工神經網路中，同一層的所有神經元具有相同的輸入和激活函數。
神經網路可以有不同的布局，主要取決於神經元或層之間是如何連接的，每一個神經網路體系結構都是為特定目標而設計。神經網路可以應用於許多問題，根據問題的性質，神經網路旨在高效解決問題。
單層網路
單層網路體系中，所有神經元都處於同一層，形成單個層。
多層網路
多層網路中，神經元分成多個層，每層對應神經元的一個平行布局，每層神經元都共享相同的輸入數據。
前饋網路
神經網路中的信號流動可以是單向的，也可以是遞歸的。對於第一種結構，稱之為前饋網路，輸入信號被送入輸入層，經過處理後向前傳遞到下一層。多層感知機和徑向基函數都是前饋網路
反饋網路
當神經網路中有某種內部遞歸時，這意味著信號會反向傳遞到已經接受或已經處理過信號的神經元或層，這類網路類型為反饋網路。
『貳』 卷積神經網路LeNet-5結構卷積采樣中加偏置Bx的作用是什麼
簡單的講吧
h(x)=f(wx+b）
上式子就是神經元所表示的函數，x表示輸入，w表示權重，b表示偏置，內f表示激活函數，h(x)表示輸出。
訓練卷容積神經網路的過程就是不斷調整權重w與偏置b的過程，以使其輸出h(x)達到預期值。
權重w與偏置b就相當於神經元的記憶。
至於你說的為什麼要偏置b可以看看這個博客http://blog.csdn.net/xwd18280820053/article/details/70681750
從其根本上講，就是不加偏置b的話，上面的函數就必定經過原點，進行分類的適用范圍就少了不是嗎