我了解神经网络的工作原理，并且很好地研究了它们的理论。
我的问题是：总的来说，对于有监督和无监督的情况，是否清楚地了解神经网络中从输入层到输出层的突变是如何发生的？
任何神经网络都是一组神经元和权重连接。对于每个连续的层，输入都会发生变化。假设我有一个神经网络参数，用于电影推荐。如果是一个参数，代表 IMDB 上的电影评级。在每个连续的阶段，输入都有一个突变到并进一步， 等等。
虽然我们知道如何在数学上谈论和，我们是否对这个变量在其对应的维参数空间？
对人眼来说，神经网络的权重可能是一组随机数，但如果我们能够理解它们“代表”什么，它们可能意味着一些深刻的东西。
权重的本质是什么，以至于尽管经过了数十年的研究和使用，但对这些连接权重所代表的含义还没有清楚的了解？或者更确切地说，考虑到超越人工智能黑匣子概念的巨大推动力，为什么在非数学意义上理解神经权重的性质的努力如此之少。
我不知道我的直觉是否正确，但我会试一试。
您可以将权重视为一件事有多重要，问题是要了解该事物代表什么。当我说事情时，我指的是特定神经元的输出。我认为我们不能说出神经元的输出在现实世界中代表什么，除非我们通过误差函数直接关联它，或者用于计算该特定值的函数在现实世界中具有某种意义。
编辑：
如果你愿意，你实际上可以构建你的神经网络，让它的神经元代表一些东西。这也很简单。您只需写下与该特定主题相关的所有方程式。您可以将它们放在一个大系统中，或者更好的是，您可以将它们放在多个系统中，这样系统 1 的输出就是系统 2 的输入，依此类推。您可以将每个系统转换为一个层，其中每个神经元代表一个方程。请注意，在这种情况下，您将拥有经典神经元
z = dot(w.T,x) + b
a = g(x)
但是一个更复杂的方程z（但仍然基于权重）和一个线性激活函数a。在这种情况下，您可以命名每个神经元并说出它们在现实世界中代表什么。
然而，这不是神经网络的目的。神经网络应该具有具有简单方程的神经元以便快速，因此线性插值函数dot(w.T,x) + b是最佳选择（激活函数几乎总是非线性的事实，在某些情况下，非平庸函数是由于其他原因，可能是一个有趣的问题）。神经网络也应该尽可能通用，因为通常建立在您不完全了解的系统之上。
所以我稍微修改一下我的答案：不仅仅是你不知道神经元代表什么，不包括输出层的那些，你不希望它们在现实世界中有意义。
回答您的问题有点挑战，因为您似乎并不真正熟悉基础知识。您正在谈论突变和输入的更改。
不，输入是一个数据向量，它初始化输入节点的值。然后使用第一层权重计算下一层节点的值。下一层不是输入层的“突变”；这表明第二层节点与第一层相似但并不完全相同。
实际上，第二层节点的形状甚至与第一层不同是很常见的。
您甚至想知道某些权重是否具有某种意义。这更容易回答。我们知道这些网络非常强大。我们可以忽略很大一部分权重，分类只会发生一点变化。这表明没有单独的权重代表网络的特定方面。