Нейроны в нейросети объединены в последовательно расположенные слои. Отдельно выделены два крайних слоя — входной и выходной. Через входной слой нейросеть получает информацию, через выходной передаёт результат её обработки. Все промежуточные слои называются скрытыми. Каждый скрытый слой соединён с двумя соседними (предыдущим и следующим) сложной системой связей. В простейшем случае в каждый его нейрон попадают сигналы от каждого нейрона предыдущего слоя, обрабатываются, а затем из него уходят в каждый нейрон следующего слоя.

И это ещё не всё. Каждая связь имеет «вес». То есть, сигнал от одного нейрона, пока идёт до следующего, несколько меняет значение (значение этого сигнала умножается на этот «вес»).

Если весам связей присвоить случайные значения, то ничего осмысленного, нейросеть делать не будет. То есть, их надо ещё как-то правильно подобрать. Иными словами, нейросеть надо обучить.

Как происходит обучение, проще показать на примере. 

Допустим, мы обучаем нейросеть отличать изображения кошек от изображений собак. Тогда на входной слой нейросети мы отдаём изображение, а на выходе нейросеть возвращает пару действительных чисел — от 0 до 1 каждое. Первое означает, насколько нейросеть уверена, что это собака, а второе — что кошка. 

Итак, время обучать сетку. Даём нейросети изображение. Она отвечает нам этой самой парой чисел (a, b). Но мы-то знаем, кто на картинке, правда? Поэтому мы поправляем нейросеть. А именно: мы «насильно запихиваем» в выходной слой пару (1, 0), если собака или (0, 1), если кошка, а дальше происходит некоторая магия (чтобы постичь её, нужно обладать некоторым знанием математики), которая заставляет нейросеть перераспределять веса связей. Спустя множество разных картинок, с которыми мы провернём то же самое, веса связей между нейронами выстроятся таким образом, что она будет хорошо отличать кошек от собак.

Ни один человеческий разум не сможет охватить всю глубину «проблемы», тем более, сделать ручные настройки, поэтому такая нейросеть должна уметь обучаться самостоятельно.

Представим младенца, который, повторяя за взрослыми, учится ходить. Вот он сделал пару неловких движений и упал. Встал, попытался чуть выпрямить траекторию своего движения, сделать шаги более чёткими, а при следующем падении сгруппироваться, чтобы было менее больно. Так мы в детстве и постигаем жизнь методом проб и ошибок. То же самое относится к нейросети. Мы задаём ей исходные параметры и то, что хотим получить в итоге, а уже она сама выстраивает необходимые для этого пути по методу обратного распространения ошибки (в котором полученный результат сравнивается с введённым нами эталоном), пока мы не приходим к удовлетворяющему нас итогу.

Здесь тоже возможно несколько вариантов развития событий. Вернёмся к выбору плеера.

Вариант первый — обучение с учителем. Мы читаем статьи, смотрим обзоры от компаний и видеоблогеров, обмениваемся мыслями на форумах владельцев гаджетов и расспрашиваем друзей. Затем, вооружившись советами, идём в магазин.

Вариант второй — обучение без учителя. Не готовимся специально, приходим в магазин и выбираем первый попавшийся плеер, который нам приглянулся чисто внешне. А потом покупаем ещё и ещё, пока не наткнёмся на то, что нам действительно нравится.

Вариант третий — смешанный или обучение с подкреплением. Мы не готовимся, но имеем примерный набор желаний, идём в магазин, изводим консультанта вопросами, выслушиваем подробные характеристики про каждую модель и делаем свой выбор.

То, о чём мы рассказали — самый простой тип нейросети, называется перцептрон. Это основа, на которой построены остальные варианты. Например, есть свёрточные нейросети, анализирующие объект одновременно по ряду характеристик, сложение которых затем приводит к единой картине.

Также есть реккурентные нейросети, главная особенность которых — наличие памяти. То есть она запоминает каждый предыдущий полученный в процессе обработки результат и берёт его в основу нового анализа, точно определяя динамику процесса и делая правильные предсказания. Несложно догадаться, что такие нейросети используют на биржах.

Это достаточно условное представление того, насколько искусственные нейронные сети отстают от работы человеческого мозга. 

По горизонтальной оси у нас идёт количество синапсов (воспринимайте это как сложность сети). По вертикальной сети отмечена скорость работы систем. Белый квадрат слева внизу — возможности обычных компьютеров (но не компьютерных реализаций нейронных сетей). Далее идут два круга. Они представляют собой современные программные (а иногда и аппаратные) реализации искусственных нейронных сетей. Но прогресс не стоит на месте и даже маленькое смещение по диагонали на графике даёт существенное увеличение синапсов, и как следствие — точности и скорости работы.