总目录（请务必点击总目录从前言看起，这样你才能充分理解本篇文章）
通过对前面文章的学习，我们已经知道神经网络可以实现真正的人工智能。本小节我会进行详细地讲解，让大家彻底地弄懂神经网络。在仅仅只学完一篇文章后，你肯定依然感觉朦胧，这是正常的，因为不可能用一篇文章就把神经网络给讲清楚了。当你学完本小节所有文章后，你就会感觉豁然开朗了。
我们需要弄懂的第一步就是如何将数据输入到神经网络中。例如，在语音识别、人脸识别这些应用中，是如何将语音、人脸输入到神经网络中的？
本文我用一个“人工智能去除马赛克”的例子来给大家介绍如何将AV图像数据输入到神经网络中。当我们平时在看岛国的AV爱情动作片时，总有不少影片有马赛克，严重地阻碍了我们的求知欲~~所以我们要把马赛克去掉，将有码的爱情动作片变成无码的。使用人工智能去除马赛克的第一步就是要将有码的图像输入到神经网络中。
(CSDN会定期扫黄，错误地将其视为黄色图片——图片中是有马赛克的哦。如果看不到图片，请在评论中留言)
上面是一张有码的AV爱情动作图像。为了存储这张图像，计算机要存储三个独立的矩阵（矩阵可以理解成二维数组，后面的文章中我会给大家详细讲解）。如上图所示，这三个矩阵分别与此图像的红色、绿色和蓝色相对应。世界上的所有颜色都可以通过红绿蓝三种颜色调配出来，也就是说计算机里面的图像都是通过红绿蓝三个颜色值组合出来的。虽然我们肉眼看到的是一个AV女优的图像，但实际上它在计算机中是一堆数字。
一个像素就是一个颜色点，一个颜色点由红绿蓝三个值来表示，例如，红绿蓝为255,255,255，那么这个颜色点就是白色。如果图像的大小是64 * 64个像素，那么3个64 * 64大小的矩阵在计算机中就代表了这张图像。上图中只画了个5 * 4的矩阵，而不是64 * 64，为什么呢？因为没有必要，搞复杂了反而不易于理解。其实有些朋友现在就已经有些朦胧了，这是正常的，所以才需要一系列的教程。通过对后面文章的学习，你就会慢慢地对这些知识有了深入的理解了！所以现在有些不明白的地方没有关系，继续往下学！
为了更加方便后面的处理，在人工智能领域中我们一般会把上面那三个矩阵转化成1个向量（向量可以理解成1 * n或n * 1的数组，前者为行向量，后者为列向量，后面我也会对向量进行详细的讲解）。那么这个向量的总维数就是64 * 64 * 3，结果是12288，也就是说上面那个有码的图像在计算机中就是12288个数字。在人工智能领域中，每一个输入到神经网络的数据都被叫做一个特征，那么上面的这张图像中就有12288个特征。这个12288维的向量也被叫做特征向量。神经网络接收这个特征向量作为输入，并进行预测，分析那块有码，然后去除可恶的马赛克，然后给出无码的图像！
对于不同的应用，需要识别的对象不同，有些是语音，有些是图像，有些是金融数字，有些是机器人传感器数据，但是它们在计算机中都有对应的数字表示形式，通常我们会把它们转化成一个特征向量，然后将其输入到神经网络中。
本篇文章我们已经知道了数据是如何被输入到神经网络中的。那么神经网络又是如何根据这些数据进行分析预测的呢？下篇文章我将给大家揭晓。
下一篇：《神经网络是如何进行预测的》