深度学习框架

神经元做两件事，简单计算（加权求和 + 激活函数）
加权求和就是对多个输入值（比如信号或特征）分别乘以对应的“权重”（weight，一个表示重要性的数值），然后把这些结果加起来。相当于给每个输入“打分”后求总分。
想象一个分类任务：判断邮件是否垃圾邮件。输入：词频 [“免费”=0.8, “奖金”=0.6, “点击”=0.9]，权重（训练学得）：[2.0, 1.5, -0.5]，
加权求和：z=(0.8×2.0)+(0.6×1.5)+(0.9×−0.5)+b=2.05，如果激活函数输出 >0.5，则判断为“垃圾邮件”。
训练过程：通过反向传播（Backpropagation），损失来调整权重，使加权求和更准确（最小化误差）。
深度学习特点：1.深层非线性框架，每个神经元自行计算加权求和和激活 2.算法自动提取特征（机器学习人工提取特征） 3.依靠大数据和算力（要不86年ai就火了）4.可解释性差