用一台普通电脑，试试神经网络算法

......续前

ANN包括三个部分

Active function（激活函数），把输入的数值进行复杂的数学转换，将多组输入转换成一个最终输出的数值（信号）；

Network topolgy（网络架构），确定参与计算的神经元数量（可以理解为进行计算的函数），以及神经元的分层及连接方式，典型的结构有一组输入层，一个输出层，中间设定若干“隐层”，除了输出层只有一个神经元之外之外，每个层的神经元数量和隐层数量都可以设定；

Training algorithm（训练函数），确定层间的神经元之间的权重如何设定，并根据计算结果加以调整。

基本流程是这样，首先随机分配输入层的各个神经元权重，即对结果的影响程度（类似于回归里面的回归系数），然后由定义的激活函数进行计算，由训练函数进行调整，整体的计算量与数据数量、神经元数量和“隐层”数量有关。

很多文章谈到神经网络计算的计算量巨大，多数需要GPU辅助，这多指大型商业或者科研应用领域，以复杂图形识别、手写音频学习较为多见，而如果使用的数据量级不算太大，个人电脑基本上是可以应付的，以两个数据集为例，根据在普通个人电脑上的实验，10000*10的数据矩阵，设定3个隐层，每层3个神经元，计算时间是十秒左右，手写数字识别的mnist训练测试集，大约6万张28*28像素的图片训练，时间大约一分钟。

在医疗应用中，ANN基本上可以胜任用回归或其他机器学习算法解决的问题（例如多项检查数值和诊断的关联，包括费用信息等），如果不考虑大型图像识别的话，大多数问题解决的成本并不高，只需要一台电脑和几个人脑。

附真实截图：每个圆圈代表一个神经元，数据（最左侧）输入后，分别经过输入层和两个隐层，最后输出结果。