关于这个人工神经网络的例子，：你有一些图片，你想对它们进行基本的分类。为此，你需要一个计算机程序来判断这张图片是猫还是狗。所以当你尝试用神经网络解决这类问题时，通常会使用这 电话号码库 种架构。它采用分层结构，每层只连接到下一层。
图片中的信息，即像素数据，被输入到输入层，然后下一层接收这些信息并进行处理，然后传递到下一层。连接神经元的权重，以及连接具有相关权重的神经元的连接，这些权重最初是随机的。所以，正如艾伦·图灵所言，这台机器最初是无组织的，无法工作。
如果你展示一张图片，它会在另一端随机给出答案。但通常在网络的另一端，神经元数量会越来越少，最终可能只有一个非常 引起的流量下降的步骤大致如下 小的数字来代表目标类别的结果。在这种情况下，答案可能是猫或狗。当你向网络输入信息时，它会像图中所示那样运行，然后你会得到一些答案。
一开始这行不通，我们需要训练网络，这基本上就是事情的本质。这类机器能够从任何类型的输入数据中提取显著特征。在这个例子中，输入的是图片，所以我们会向网络展示成千上万个猫和狗的例子，每次我们都会告诉网络这是一只猫，这是一只狗。如果它给出了错误的答案（一开始它总是会给出错误答案），你就调整网络的权重，以便找出正确的答案。
你一遍又一遍地迭代，最终会得到一个计算机程序，它能够区分猫和狗的图片，即使在它从未见过这些图片的情况下也是如此。这在某种程度上，它概括了猫和狗的区别。基于这种训练模型的图像识别是最重要的人工神经网络应用之一。
“它”如何运作？
值得注意的是，它本身以这样一种方式组织，即层接近输入数据，基本上这些层中的神经元对边缘、角或它们的组合等简单特征做出反应，然后当你在层中移动时，神经元响应的特征变得越来越高阶。
它们会对长线或正方形做出反应，再往上，它们可能是完整的特征，比如轮毂盖或眼睛，然后在网络的末端，神经元会对非常 印度尼西亚号码列表复杂的特征做出反应，比如猫。有趣的是，我们在我们大脑的视觉系统中发现了非常相似的东西，一旦网络训练完成，不同层级的神经元也会提取越来越高阶的特征。
这样，反向运行这个东西也应该是可能的。如果你有一个东西，它完全了解猫的样子，它应该能够生成看起来像猫或狗的新图片，所以这些被称为生成人工神经网络。
让我通过一个现实世界的人工神经网络示例来进一步解释这一点，其中一个示例始于谷歌的Alexander Mordvintsev的实验，他有兴趣将存储在神经网络中的内部知识可视化，并提出了一个非常巧妙的算法，在这个算法中，你向网络展示一个经过训练的网络，无论你运行的是一张图片，然后你基本上会根据该解释稍微调整图像中的像素，如果你一遍又一遍地这样做，你就会