深度学习的核心是神经网络。神经网络可以看成一组“神经元”组成的网络结构，每个神经元模拟人脑中的神经细胞。神经网络通过层层计算，将输入数据（如图像、文本）转化为可以预测输出的特征。

        每层神经网络通常包含多个神经元，这些神经元通过特定的权重和偏置来影响输入数据的特征提取过程。通过反向传播算法，网络的权重不断调整，以便在输出端实现最小的预测误差。

        示例应用：图像分类，如用神经网络区分猫和狗的图片。下方是一个简单的示例代码，通过深度学习模型来分类手写数字：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

# 数据预处理
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
train_data = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_data, batch_size=64, shuffle=True)

# 定义神经网络模型
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(28*28, 128)  # 输入层到隐藏层
        self.fc2 = nn.Linear(128, 64)     # 隐藏层
        self.fc3 = nn.Linear(64, 10)      # 输出层
        
    def forward(self, x):
        x = x.view(-1, 28*28)
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 训练模型
model = SimpleNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

for epoch in range(10):  # 训练10个周期
    for images, labels in train_loader:
        optimizer.zero_grad()
        output = model(images)
        loss = criterion(output, labels)
        loss.backward()
        optimizer.step()
print("训练完成")