我通读了以下页面：http://neuralnetworksanddeeplearning.com/chap1.html以更好地了解神经网络的工作原理。我想用Java创建一个没有反向传播或训练的简单前馈网络。
我不明白的是网络中每个“神经元”层所涉及的数学。说我有三层。第一层采用大小为100的输入向量。这是否意味着我的第一层将具有100个神经元？这是否还意味着每个神经元的输入将是所有100个输入的总和乘以权重？这是我的Neuron激活功能的输入吗？
在本章中，提到了神经元/感知器的所有输入之和可以重新表示为输入（x）和权重（w）的点积。我可以将它们视为两个单独的向量，它们的点积给我x1w1 x2w2 x3w3 ..等等，但是x1w1 + x2w2 + ..的总和又如何等于点积？
最后，如果假设一个层的输入为100，输出的输出为1000，这是否意味着该层实际上将具有1000个神经元，每个神经元需要100个输入？那么该层每个神经元输出1个值，从而提供1000个输出？
如果这些问题完全不完整或无关紧要，我先向您道歉。到目前为止，我已经在线阅读了一些文档，这是我的理解，但是如果不询问真正了解它的人，就很难验证。如果您有其他资源或视频会有所帮助，我们将不胜感激。
最佳答案
这是我在stackOverflow中的第一个答案，所以请放轻松。
如果我对您的问题理解正确，那么您想知道人工神经元背后的数学如何工作。神经元由以下列表中所示的5个组件组成。
（下标i表示第i个输入或权重。）
一组输入，xi。
一组重量，无线。
阈值，u。
激活功能，f。
单个神经元输出y。
人工神经元具有相当简单的结构。
使用单位步进激活功能，您可以确定一组权重（和阈值），这些权重将产生以下分类：
Click to view classification
看数字4。激活函数f。身份功能是最简单的，可以发生许多不同的功能。
神经元输出Y是将激活函数应用于输入的加权和减去阈值的结果。
该值可以是离散的也可以是实数，具体取决于所使用的激活功能。
Here's具有特定函数F的Y的输出。
一旦计算出输出，就可以将其传递到另一个神经元（或一组神经元）或通过外部环境进行采样。神经元输出的解释取决于所考虑的问题
@Seephore
原则上，在人工神经网络中可以使用的隐藏层数没有限制。可以使用“堆栈”或深度学习文献中的其他技术来训练此类网络。是的，您可能有1000层，尽管我不知道您是否能获得很多好处：在深度学习中，我通常看到1-20个隐藏层之间的某个位置，而不是1000个隐藏层。在实践中，层数是基于务实的考虑，例如，在合理的训练时间且不会过度拟合的情况下，这将导致良好的准确性。
您要问的是：
我要假设您要说的是100个输入和1000个输出？
当输入采用加权值时，其输出会将其提供给下一层中的所有其他节点（神经元），但该值仍来自给定节点。
有很多关于Java的“希望洗手”书，但是如果您真的想读一读，请阅读This
关于java - 了解神经网络层，节点和点积，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/40413247/