神经网络（人工神经元、sigmoid 与隐含层）

一句话

「一个神经元只会加权求和再按阈值开/关，但很多层串起来就能算 XOR。」神经网络用大量简单单元分层协作逼近复杂函数；隐含层是它能做非线性决策的关键。本库能确认的是结构与前向计算，训练（调权重）不在已收录素材里。

当前理解

• 生物类比：树突收信号 → 胞体加权求和 → 超阈值就兴奋（fire）、经轴突传出；只有兴奋/抑制两态。人工神经元是它的简化模型。
• 人工神经元两步：① z = Σ(权重×输入)；② 输出 g(z)=1/(1+e^(−z))（sigmoid）。sigmoid 输出贴 0/1（像兴奋/抑制两态）且易求导。
• 三层结构：输入层 / 隐含层（可多层）/ 输出层。
• 手算 XOR（权重给定）：z1=sigmoid(−30+20x1+20x2)；z2=sigmoid(10−20x1−20x2)；y=sigmoid(10−20z1−20z2)。(1,1)→y≈0；(1,0)/(0,1)→y=1；(0,0)→y=0，与 XOR 一致。
• 为什么隐含层关键：单个线性阈值单元画一条直线分不开 XOR 的四个角；加隐含层后网络能组合出中间概念。这是「为什么要多层」的演示。
• 历史：20 世纪 40 年代有人提出模拟神经元网络；80 年代后算力提升成热点。应用：手写识别、股票涨跌/收盘价预测（42 篇原话「准不准另说，人脑也未必准」）。
• 本库边界：XOR 的权重是人工凑的示例，不是训练出来的；训练算法、非线性分类能力分析原文预告「将来文章」，未收录——所以本页不写任何关于「怎么训练/收敛」的断言。

来源

• 神经网络入门 — 全部内容（量化课堂第 42 篇，postId=1738，level-0 入门）
• 关联概念：朴素贝叶斯（贝叶斯定理 + 条件独立 + 后验最大化的分类器）、kNN（k 最近邻分类）、熵与信息增益（衡量特征/因子带来多少信息）（同为本库 ML 方法族；42 篇的 pybrain 涨跌演示与 37 篇同款 SMA/WMA/MOM 特征 + 涨跌标签）

常见混淆

• 「神经网络」≠「深度学习」：42 篇是单隐含层小网络的直觉入门；深度网络、训练技巧都没出现。别把本文当深度学习教材。
• XOR 权重是「凑出来的」≠「网络自己学的」：示例给的是能干活的手工权重，训练环节原文没讲——别据此以为神经网络自动会学。
• 神经元不是精确模拟大脑：只是「加权求和 + 非线性阈值」的模型；生物机制人类还没研究透（42 篇自承）。
• sigmoid 输出 (0,1) 的软值 ≠ 只输出 0 或 1：它连续；「兴奋/抑制」的硬决策是后续应用层的事。
• pybrain / python2 是 2016 语境：如今生态已变 [需要验证]，别照搬环境。

开放问题

• 隐含层层数/每层宽度、学习率等超参怎么定——42 篇没给。
• 训练算法（反向传播、优化）完全没讲——本库只收录入门「前半」。
• 股票预测可行性：42 篇只说「人脑也未必准」，无任何回测/胜率证据；神经网络会不会比朴素贝叶斯/kNN 在涨跌上更好，素材无法回答。