人工神经网络(Artificial Neural Network，简写为ANN)也简称为神经网络(NN)。是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)结构和功能的 计算模型。分别输入层，输出层以及隐藏层。输入层是神经网络的“入口”，负责接收原始数据（如图像像素、文本词向量、传感器信号等）每一层隐藏层都会学习数据的不同抽象表示（如从边缘→纹理→物体部件→完整物体）将输入数据转换为神经网络

浅层神经网络通常指仅含1个隐藏层的神经网络，是早期神经网络的基础形态。输入层 → 隐藏层 → 输出层。其隐藏层一般含有多个神经元，输出层有一个神经元。为方便理解，每个神经元都可看作一次逻辑回归（可能不准确，但方便理解）。输入层（Input Layer）：接收原始数据（如图像像素、数值特征等）。隐藏层（Hidden Layer）：仅1层，由多个神经元（Neurons）组成，每个神经元对输入数据进行加

浅层神经网络通常指仅含1个隐藏层的神经网络，是早期神经网络的基础形态。输入层 → 隐藏层 → 输出层。其隐藏层一般含有多个神经元，输出层有一个神经元。为方便理解，每个神经元都可看作一次逻辑回归（可能不准确，但方便理解）。输入层（Input Layer）：接收原始数据（如图像像素、数值特征等）。隐藏层（Hidden Layer）：仅1层，由多个神经元（Neurons）组成，每个神经元对输入数据进行加

对于更长的句子，seg2seq就显得力不从心了，无法做到准确的翻译，一下是通常BLEU的分数随着句子的长度变化，可以看到句子非常长的时候，分数就很低。本质原因：在Encoder-Decoder结构中，Encoder把所有的输入序列都编码成一个统一的语义特征C再解码，因此，cat→ [0,1,0,0,0]----- W (5×2矩阵) → dog: [0.8, -0.3],yt−1，输出当前词 yt

深层神经网络是机器学习中一种重要的模型，它通过增加网络的“深度”（即隐藏层的数量）来提升模型对复杂数据的表示和学习能力。输入层：接收原始数据（如图像像素、文本向量等）。隐藏层：由多层组成，每一层包含若干神经元（节点），通过权重和激活函数处理数据。输出层：生成最终预测结果（如分类概率、回归值等）。