1.神经元被分成了多层，层与层之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫做输入层，这层负责接收输入数据；最右边的层叫输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。

2.隐藏层比较多（大于2）的神经网络叫做深度神经网络。而深度学习，就是使用深层架构（比如，深度神经网络）的机器学习方法。

那么深层网络和浅层网络相比有什么优势呢？简单来说深层网络能够表达力更强。事实上，一个仅有一个隐藏层的神经网络就能拟合任何一个函数，但是它需要很多很多的神经元。而深层网络用少得多的神经元就能拟合同样的函数。也就是为了拟合一个函数，要么使用一个浅而宽的网络，要么使用一个深而窄的网络。而后者往往更节约资源。

3.深层网络也有劣势，就是它不太容易训练。简单的说，你需要大量的数据，很多的技巧才能训练好一个深层网络。这是个手艺活。

4.感知器

4.1 解神经网络的组成单元——神经元。神经元也叫做感知器。

4.2 感知器不仅仅能实现简单的布尔运算

4.3 可以拟合任何的线性函数 ，任何线性分类或线性回归问题都可以用感知器来解决。and运算是一个线性分类问题，即可以用一条直线把分类0（false，红叉表示）和分类1（true，绿点表示）分开。

4.4 你可能困惑前面的权重项和偏置项的值是如何获得的呢？这就要用到感知器训练算法，

将权重项和偏置项初始化为0，然后，利用下面的感知器规则迭代的修改和，直到训练完成。

5.刚入门的参考网址：https://www.zybuluo.com/hanbingtao/note/433855