一开始听到“人工神经网络”这个词的时候就觉得好方，毕竟想到人脑的结构那么复杂，第一反应肯定是人工神经网络肯定非常高深。然后就没有然后了，因为觉得它好难就没有“信仰”去了解它了。之后，在看《数学之美》中，吴军博士在讲解Google大脑时，特地讲解了一下什么是人工神经网络，同时他还指出了它并没有想象中那么高深。以下是他的原话：
如果有幸遇到一个好心同时又善于表达的科学家或教授，他愿意花一两个小时的时间，深入浅出地为你讲解人工神经网络的底细，你就会发现，“哦，原来是这么回事”。
其实，除了生物学上的一些名词和一些形象的比喻外，人工神经网络就是一种有向图，和人脑没有半点关系。在这种有向图里面，节点被称为神经元，有向弧则被成为连接每各个节点的神经。
然而，它也不是一般的有向图，因为它具有以下一些特征：
- 这种有向图中的所有节点都是分层的，每一层的节点可以通过有向弧指向上一层的节点。注意，同一层的节点之间没有弧互相连接，而且每一个节点不能跨越一层连接到上上层的节点。在实际应用中，人们一般不会设计超过五层的网络，因为其计算会愈加复杂。
每一条弧上有一个权值。根据这些权值，可以计算某条弧所指向节点的值。
有时，最下面那一层节点被称为输入层，最上面的节点被称为输出层。除了输入层的节点外，各节点都是通过这些输入层的节点的输入值直接或者间接得到的。中间层的节点也可以称作隐含层。
在了解如何应用人工神经网络前，我们先看一下模式分类。
假设在一个二维空间中，我们要区分两个元音a和e，它们的分布如图所示。
模式分类的任务就是要在这个空间中切一刀，将a和e区分开来。之后，每当有新的语音进来，落到左边我们就将它识别成a，落在右边则识别成e。
现在可以用一个人工神经网络来实现这个简单的分类器（虚线），该结构如下：
在这个人工神经网络中，我们有两个输入节点X1和X2，一个输出节点Y。根据给定的权重，我们将Y这一点上的数值设定为两个输入节点数值x1和x2的一种线性组合，即y = 3x1 - x2 - 2。w0（即-2）是一个常数项，为了后面可以方便地进行判断。
现在将平面上的一些点(0.5,1)、(2,2)、(1,-1)、(-1,-1)的坐标输入到第一层的两个节点上，然后通过该网络得出对应的输出值y。
(0.5,1)输出 -1.5(2,2)输出 2(1,-1)输出 2(-1,-1)输出 -4
现在，如果输出值y大于零，那么可以说这个节点属于第一类e，反之则属于第二类a。
最后，我们也可以把这个神经网络中的Y变成中间节点S，增加一个更明显的输出层，包括节点Y1和Y2。
这样我们只需要比较输出节点的值谁大，我们就认为这个点应该属于相应的哪一类。