昨天稍微淺淺帶過深度學習的歷史和由來，在繼續深入介紹之前，我們要先來討論何為人工神經網路。人工神經網路(Neural Network)又稱類神經網路，以生物的觀點來看，相信在座優秀的各位高中時生物課都學過，一個神經元簡單的基本構造，具有負責發送訊息的軸突，負責接收訊息的樹突，以及神經元之間利用電化學傳遞訊號的神經突觸，這樣的多個神經元互相連結溝通，才構成了人類複雜而強大的神經傳導運作，然而以數學的方式以機器的語言，去模擬神經的訊息傳導，即是深度學習中人工神經網路的意涵。

所謂以數學方式模擬神經傳遞，可以用下面這張圖做簡單的理解：

電腦所模擬的神經網路，也具有幾個重要的要素：

1. 輸入X：負責接收外界傳送訊息，模擬輸入神經元。
2. 接收Y：負責接收整合訊息，模擬接收神經元。
3. 權重W(Weight)：連接輸入與接收神經元，負責傳送訊息，模擬軸突。
4. 誤差/偏差值b(Bias)：代表接收神經元容易被活化的程度，數值愈大代表愈容易被活化並且傳遞訊息，模擬神經突觸。
5. 激活函數(Activation Function)：通常為非線性函數以解決較複雜的非線性問題，若接收到的刺激總和經運算後大於臨界值，會將上一層神經元訊號傳遞至下一層，模擬神經傳導的運作。

• 參考資料：
  TensorFlow+Keras深度學習人工智慧實務應用 — 林大貴著
  https://medium.com/@baubibi/%E9%80%9F%E8%A8%98ai%E8%AA%B2%E7%A8%8B-%E6%B7%B1%E5%BA%A6%E5%AD%B8%E7%BF%92%E5%85%A5%E9%96%80-%E4%B8%80-68e27912ce30