But what is a neural network? | Deep learning chapter 1
字幕解读
用识别手写数字说明前馈神经网络的基本结构：像素作为输入层，隐藏层逐步组合边缘与形状，输出层给出各数字的激活值。连接权重表达要检测的像素模式，偏置调节触发门槛， sigmoid 将加权和压入 0 到 1。全网可写成矩阵运算组成的函数，参数需从数据中学习；本片聚焦结构，训练留待下一讲。
英文字幕轨道 · 引文按字幕原文展示，可点时间戳回看片段。
内容要点
- 784 个输入神经元对应图像像素灰度，10 个输出神经元分别表示数字类别的响应。
- 权重塑造局部模式检测，偏置控制激活门槛；逐层表示可把像素组合成边、形状和数字。
- 网络是带大量权重与偏置参数的函数，矩阵向量乘法使层间计算表达紧凑；现代网络常以 ReLU 取代 sigmoid。
视频章节 6
- 手写数字识别为何困难
- 神经元、层与激活值
- 隐藏层如何组合特征
- 权重、偏置与 sigmoid
- 用矩阵表达层间计算
- 学习参数与后续内容
具体观点与证据 3
层层组合边缘、形状与数字是理解网络结构的动机，不保证训练后的隐层真的按此工作。
讲者明确把该解释称为期待，并把实际行为留待后续分析。
Whether or not this is what our final network actually does is another question权重决定输入模式的加权贡献，偏置调整神经元何时明显激活。
视频采用sigmoid示例，尾声指出现代深网常用ReLU。
the bias tells you how high the weighted sum needs to be将层表示为矩阵向量运算同时压缩数学表达，并利用优化库提高执行效率。
这是结构与计算表达，不是完整训练算法。
this makes the relevant code both a lot simpler and a lot faster补充字幕原文 2
作者把层间激活如何传递视为网络作为信息处理机制的核心问题。
the heart of the network as an information processing mechanism尽管结构复杂，网络仍可整体看作把像素输入映射到类别输出的函数。
the entire network is just a function解读边界
视频只讲最简单的全连接前馈网络结构，不展开如何从数据训练参数；作者也提醒隐藏层未必实际学成预期的边缘与部件表示。
相关视频与证据 3
概念到实例从神经网络结构走到可演化的网络拓扑
But what is a neural network? 解释层间激活如何传递，并把整个网络描述为输入到输出的函数；MarI/O 展示 NEAT 从基础网络开始，通过适应度筛选和演化连接结构来学习游戏操作。前者提供网络的计算视角，后者给出网络结构如何在特定任务中演化的实例。
But what is a neural network? | Deep learning chapter 1
作者把层间激活如何传递视为网络作为信息处理机制的核心问题。
the heart of the network as an information processing mechanismMarI/O - Machine Learning for Video Games ↗
NEAT 的关键特点是从基础结构开始演化网络，而不预先规定最佳神经元与连接布局。
without presupposing the best structure for the neurons and their connections▶ 4:58–5:06 · 观看片段适用边界 两者讨论的层次不同：3Blue1Brown 讲解基础前馈网络结构，MarI/O 展示特定游戏与 NEAT 方法；不能据此推断 MarI/O 使用了前一视频讲解的训练方案，也不能泛化其效果。
结构到训练先看网络怎样计算，再看它怎样学
3Blue1Brown 解释前馈网络如何逐层传递激活并把输入映射到输出；micrograd 则演示前向计算、损失、反向梯度和参数更新。前者回答网络在算什么，后者补上如何依据误差改变参数。
But what is a neural network? | Deep learning chapter 1
一层的激活决定下一层激活，整个网络可看作输入到输出的函数。
the entire network is just a functionThe spelled-out intro to neural networks and backpropagation: building micrograd ↗
训练通过损失计算、反向求导和参数更新反复进行。
efficiently evaluate the gradient of some kind of a loss function▶ 0:55–1:07 · 观看片段适用边界 两者是不同模型规模和讲解目的的教学材料；micrograd 用标量演示数学机制，不是前一视频数字分类网络的完整训练复现。
基础架构到现代模型从逐层激活到因果注意力
基础神经网络视频用逐层激活解释输入如何影响输出；GPT 从头构建视频进一步展示因果自注意力如何聚合此前 token，并逐步组成 Transformer。连接可帮助观众辨认现代语言模型保留了神经网络的层间计算框架，同时增加了序列上下文机制。
But what is a neural network? | Deep learning chapter 1
网络的信息处理取决于一层激活如何影响下一层激活。
the heart of the network as an information processing mechanismLet's build GPT: from scratch, in code, spelled out. ↗
自注意力对过去元素做加权聚合，形成序列位置的上下文表示。
you can do weighted aggregations of your past Elements▶ 57:59–58:14 · 观看片段适用边界 GPT 视频讲的是 Transformer 语言模型，不能把基础手写数字网络的结构直接等同于 GPT；该连接只指逐层计算这一抽象层次。