从人脑到计算机：神经网络结构

每个人工"神经元"像真实神经元一样，接收多个信号，整合处理后，决定是否"激活"并传递信息。

基础知识

-输入层：相当于感觉神经，接收外界信息 -隐藏层：类似于大脑中的处理区域，负责信息加工（可以有多层） -输出层：如同运动神经，产生最终"反应" -Sigmoid函数：像突触释放神经递质一样，产生平滑的0到1之间的输出 -ReLU函数：更像"全或无"原则，低于阈值不激活，高于阈值则线性激活 -Tanh函数：产生-1到1之间的输出，类似于神经元的超极化和去极化状态 -前向传播：信息的流动 -反向传播：经验的修正

Step 1: 准备数据

伪代码:

import numpy as np
from sklearn.model_selection import train_test_split

patient_data = np.array([[体温, 血压, 心率, ...], ...])  
diagnosis = np.array([0或1])  

X_train, X_test, y_train, y_test = train_test_split(patient_data, diagnosis, test_size=0.2)

Step 2: 构建训练模型

伪代码：

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Dense(16, activation='relu'),  
    tf.keras.layers.Dense(8, activation='relu'),   
    tf.keras.layers.Dense(1, activation='sigmoid') 
])

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
history = model.fit(
    X_train, y_train,
    epochs=20,  
    validation_split=0.2  
)

常见问题与解决方案 1."过度诊断"问题（过拟合）就像一位只依赖记忆的医生，可能会过度依赖某些特定病例的特征而失去泛化能力。

（1）接触更多样化的"病例"（增加训练数据） （2）定期"考核"（验证集评估） （3）"遗忘"一些细节以保留关键特征（Dropout技术）

2."犹豫不决"问题（低收敛性） 有时模型会像犹豫不决的实习医生一样难以达成明确诊断。而且会跑的很慢很慢，甚至无法结束工作，被迫加班hh

（1）调整学习率 （2）选择更合适的"思考方式"（优化器） （3）提供更清晰的反馈（调整损失函数）