深度神经网络
基本结构组成
输入层：接收原始数据，如处理图像时，输入层神经元数量等于图像的像素总数（如 224×224×3 的 RGB 图像对应 150528 个神经元）；处理文本时，输入层通常为词向量或字符向量。
隐藏层：负责特征提取与转换，层数是 DNN “深度” 的核心体现。早期网络（如 AlexNet）含 5-8 个隐藏层，而现代大模型（如 GPT-4）的隐藏层数量可达上千层。隐藏层的每个神经元会对输入数据进行 “加权求和 + 激活函数变换”，实现非线性特征的抽象。
输出层：输出模型的预测结果，神经元数量由任务类型决定：分类任务中等于类别数（如 10 分类任务对应 10 个神经元），输出为各类别的概率（通过 Softmax 函数实现）；回归任务中通常只有 1 个神经元，输出为连续值（如房价预测的具体金额）。
