Editing 深度学习 (section)

== 基本原理 ==

=== 人工神经网络 ===
深度学习的基础是人工神经网络，它由大量相互连接的"神经元"组成。每个神经元接收输入、进行加权求和并通过激活函数产生输出。多个神经元构成层，多层堆叠便形成深层网络。

=== 反向传播与梯度下降 ===
网络通过反向传播算法计算损失函数对各参数的梯度，再利用梯度下降及其变体（如 SGD、Adam）不断调整权重，使模型预测逐步逼近真实值。这是深度学习模型训练的核心机制。

=== 激活函数 ===
激活函数为网络引入非线性，使其能够拟合复杂的函数关系。常用的激活函数包括 ReLU、Sigmoid 与 Tanh，其中 ReLU 因能有效缓解梯度消失问题而被广泛采用。