昨天我们讲到了人工神经网络的基本原理，大家可以回顾一下。超常大脑大讲堂：什么是人工神经网络？它和我们的大脑有本质区别吗？

我们知道人工神经网络是通过模拟神经元的工作原理，从而实现类似人脑功能；人脑各区域分工不同，神经元之间是通过复杂的相互连接，实现记忆、抽象理解等等，那么人工神经网络能实现吗？答案当然是可以！但是要理解这个问题，我们就要首先理解记忆的原理。

记忆，其实有两部分构成，记，信息的存储和传递；忆，信息的处理和输出。举个简单的例子，解下面这个简单的方程组：

①5xa=15；

②a+b=10；

③b-c=1，求a、b、c各是多少？

这个题目非常简单，从①我们能够知道a=3；之后把a=3的结果带入②，可以得出b=7；再把b结果带入③得出c=6。在上面的计算过程里，从①我们能够知道a=3就是“记”；把a=3的结果带入②，可以得出b=7，这个就是“忆”

大脑在处理上面的计算时，会有多组神经元参与，因此就形成了网络；如果要通过程序实现上面的功能，也需要组成类似的网络，这就涉及了我们今天要讲的——神经网络结构。

如上图所示，它是大脑中的神经网络处理视觉的过程。视觉区分了V1~V6数层，每层都有特定功能，比如V1 的主要功能是识别点和不同角度的线段、感知颜色等，然后再传导给V2......最后形成了我们眼中丰富的色彩。

目前的深度神经网络主要是三种结构， DNN（全连接的），CNN（卷积）， RNN（循环）。

DNN结构

CNN结构

RNN结构

看起来有些复杂吧？没关系，只要知道它们是用来模拟人脑的各种神经网络结构，从而处理各类复杂问题而设计的就可以了。

那么深度神经网络，是怎么像人脑那样，实现记忆的呢？

首先，人脑的神经网络在工作时，相当于DNN+ CNN + RNN，再加电脉冲作为编码方式（可以理解为峰电位代表1，后电位代表0）进行信息处理，实现记、忆这两个步骤的。

在深度神经网络中，我们也可以通过程序来模拟DNN、CNN、RNN的结构，并通过各种算法、校验等，来模拟神经元之间的电脉冲。例如我们可以通过PyTorch（基于Python语言的一个工具集），来模拟DNN、CNN和RNN的结构，从而实现复杂问题的处理。（例如图像识别等等）

当然，其中涉及的原理，比如加权算法、校验、纠错等等，就不再展开赘述了，为什么要和大家讲这个问题呢？有家长说你们不是做神经反馈训练吗？这和人工神经网络有什么关系？因为人工神经网络就是下一代BCI的发展方向，像通过意念打字、神经反馈训练中赛车、吃豆精灵等训练项目，都属于人工神经网络的具体应用。

加州大学旧金山分校设计的嵌入式电极阵列，实现通过意念打字等功能。可见，未来神经反馈训练和人工神经网络技术相结合，会为注意力训练带来更大的突破。

超常大脑的生物学，解剖学特征分析

超常大脑大讲堂：人的记忆是如何产生的？

超常大脑大讲堂：什么是人工神经网络？和我们大脑有本质区别吗？