通过对前面文章的学习，我们已经知道神经网络可以实现真正的人工智能。本小节我会进行详细地讲解，让大家彻底地弄懂神经网络。

我们需要弄懂的第一步就是如何将数据输入到神经网络中。例如，在我们百度的“小度智能屏”中，是如何将麦克风采集到的音频数据输入到神经网络中的；小度智能屏还能根据人脸来判断年龄从而自动切换成人和儿童模式，那它又是如何将摄像头采集到的人脸数据输入到神经网络中的

此例中，待输入的数据是一张图像。为了存储图像，计算机要存储三个独立的矩阵（矩阵可以理解成二维数组，后面的教程会给大家详细讲解），这三个矩阵分别与此图像的红色、绿色和蓝色相对应（世界上的所有颜色都可以通过红绿蓝三种颜色调配出来）。如果图像的大小是64 * 64个像素（一个像素就是一个颜色点，一个颜色点由红绿蓝三个值来表示，例如，红绿蓝为255,255,255，那么这个颜色点就是白色），所以3个64 * 64大小的矩阵在计算机中就代表了这张图像，矩阵里面的数值就对应于图像的红绿蓝强度值。上图中只画了个5 * 4的矩阵，而不是64 * 64，为什么呢？因为没有必要，搞复杂了反而不易于理解。

为了更加方便后面的处理，我们一般把上面那3个矩阵转化成1个向量x（向量可以理解成1 * n或n * 1的数组，前者为行向量，后者为列向量，向量也会在后面的文章专门讲解）。那么这个向量x的总维数就是64 * 64 * 3，结果是12288。在人工智能领域中，每一个输入到神经网络的数据都被叫做特征，那么上面的这张图像中就有12288个特征。这个12288维的向量也被叫做特征向量。神经网络接收这个特征向量x作为输入，并进行预测，然后给出相应的结果。

对于不同的应用，需要识别的对象不同，有些是语音有些是图像有些是传感器数据，但是它们在计算机中都有对应的数字表示形式，通常我们会把它们转化成一个特征向量，然后将其输入到神经网络中。

学习更多人工智能的知识，给大家整理了学习网站 > 人工智能深度学习网站，普通人也能通俗易懂得理解前沿技术，为自己以后不被淘汰做准备

神经网络是如何接收这些数据的？

前面我们已经把一张图像转化成了一个12288维的特征向量，那么接下来，这个向量是如何进入神经网络的呢？

其实，神经网络的结构可以简单理解为由多个神经元组成的网络，每个神经元都可以接收数字，并对这些数字进行计算。

在神经网络中，最先接收外部数据的部分叫做输入层（Input Layer）。

例如，我们把刚才得到的12288维特征向量输入到神经网络中，那么输入层就需要接收这12288个数值。你可以把它理解成有12288个数据入口，每个入口负责接收一个数值。

这些数据进入输入层之后，就会被传递到后面的神经元中，经过一系列计算，最终得到神经网络的预测结果。

这里需要注意，输入层本身通常并不负责复杂的计算，它的主要作用就是接收和传递数据。

神经网络中的数据是如何传递的？

为了让大家更容易理解，我们可以把神经网络想象成一个由多个处理环节组成的流水线。

数据首先进入输入层，然后传递到隐藏层，最后到达输出层。

• 输入层（Input Layer）：负责接收外部输入的数据，例如图像像素、语音特征等。

• 隐藏层（Hidden Layer）：负责对输入的数据进行计算和处理，从中学习有用的信息。

• 输出层（Output Layer）：根据前面计算的结果，输出最终的预测结果。

例如，我们想让神经网络判断一张图片里面是不是一只猫。

首先，将图片转换成计算机能够识别的数字数据，然后输入到输入层。

接下来，这些数字会经过隐藏层中的多个神经元进行计算。随着数据不断向后传递，神经网络会逐渐提取和组合有用的信息。

最后，输出层给出预测结果，例如：

• 猫：95%

• 狗：3%

• 其他：2%

这里的百分比表示模型对各个类别的预测置信程度，并不代表绝对正确。

通过这个过程，神经网络就完成了一次预测。

为什么神经网络能够处理不同类型的数据？

可能有些朋友会产生疑问：图片可以转化成数字，那么语音、文字以及传感器数据又该如何输入神经网络呢？

其实原理是相通的。

计算机无法直接理解我们人类看到的图片、听到的声音或者读到的文字，它最终处理的都是数字。

不同类型的数据，只是需要采用不同的方式进行数字化处理。

1. 图像数据

图像通常由像素组成，每个像素可以使用RGB三个数值表示。

例如，一张64×64像素的彩色图片，就可以表示为一个64×64×3的数字数组。

2. 语音数据

语音本质上是一段随时间变化的声音信号。

麦克风采集声音之后，会将声音转换成一系列数字，也就是我们常说的音频采样数据。

例如，采样率为16000Hz的音频，意味着每秒钟会采集16000个声音样本。

这些采样数据经过必要的预处理后，就可以输入神经网络。

当然，实际的语音识别系统还可能进一步将声音转换成频谱、梅尔频谱等特征，再交给神经网络处理。

3. 文字数据

计算机不能像人类一样直接理解文字的含义，因此需要先将文字转换成数字。

例如，在自然语言处理中，可以先将一句话拆分成一个个Token（词元），再通过词元对应的数字ID以及嵌入向量，将文字转换成神经网络能够处理的数据。

这也是为什么现在的AI大语言模型能够处理我们输入的文字。

4. 传感器数据

例如智能手环采集到的心率、步数、温度等数据，本身就是数字。

这些数据经过整理和必要的预处理之后，也可以直接作为神经网络的输入。

小结

通过本篇文章，我们已经知道了一个非常重要的知识点：

神经网络并不是直接接收图片、声音或者文字，而是接收经过数字化处理之后的数据。

无论是图像、语音、文字还是传感器数据，最终都可以通过合适的数据表示方式，转换成神经网络能够处理的数字输入。

另外，前面介绍的RGB矩阵转化成12288维向量，是为了方便理解的一种表示方式。实际应用中，现代卷积神经网络（CNN）通常会直接处理多维图像数据，不一定需要将图像展平成一个向量。

那么，新的问题又来了：

神经网络接收到这么多数字之后，究竟是如何知道图片里面是什么东西的？

为什么同样一组数字，经过神经网络的计算之后，就能得到猫、狗、人脸等不同的识别结果？

下一篇文章，我们就来深入讲解神经网络内部的计算原理，看看神经元究竟是如何工作的！