一旦训练完成，神经网络就建立了一个数学模型，可用于推理以对新数据做出预测或决策。

在训练过程中，神经网络通过使用大量数据的训练过程调整神经元的权重和偏差，以最小化预测输出与实际输出之间的误差。

图像识别。识别图片中的人物或物体。 被 Facebook 用于标记朋友、自动驾驶汽车以检测交通信号灯等。

缺乏透明度：神经网络可以被视为一个“黑匣子”，因为通常很难理解它们是如何达到给定预测的，这在需要透明度或问责制的应用程序中可能是一个限制。

过度拟合：神经网络有时会过度拟合训练数据，这意味着它们变得过于专业化，在新数据上可能表现不佳。

该类型网络通过让两个神经网络相互对抗来生成新数据，一个生成数据，另一个试图将其与真实数据区分开来。 自然语言处理。机器翻译、情感分析、语音识别等。为许多虚拟助手和聊天机器人提供支持。

目前业界有研究几种类型的神经网络，一些最常见的类型包括： 由多层相互连接的节点（称为神经元）组成，神经网络通过使用大量数据的反复试验过程来学习输入和输出之间的关系，

对数据质量的依赖：神经网络的性能在很大程度上取决于训练数据的质量和数量，这在某些应用程序中可能是一个限制。

预测客户流失。识别可能停止使用某项服务的客户。

每个神经元接收来自其他神经元的输入，并对输入应用数学函数以产生输出。

对数据质量的依赖：神经网络的性能在很大程度上取决于训练数据的质量和数量，这在某些应用程序中可能是一个限制。

对数据质量的依赖：神经网络的性能在很大程度上取决于训练数据的质量和数量，这在某些应用程序中可能是一个限制。

随着神经网络不断学习，它在模式识别和做出准确预测或决策方面会变得更好。

预测。根据历史数据预测时间序列数据的未来值。 用于股价预测、销售预测等。

有限的可迁移性：在一项任务上训练的神经网络在应用于不同的任务或领域时可能效果不佳，这可能会限制它们的普适性。

预测客户流失。识别可能停止使用某项服务的客户。

随着神经网络不断学习，它在模式识别和做出准确预测或决策方面会变得更好。

在训练过程中，神经网络通过使用大量数据的训练过程调整神经元的权重和偏差，以最小化预测输出与实际输出之间的误差。

随着神经网络不断学习，它在模式识别和做出准确预测或决策方面会变得更好。

对数据质量的依赖：神经网络的性能在很大程度上取决于训练数据的质量和数量，这在某些应用程序中可能是一个限制。

近年来，神经网络取得了巨大突破，并在计算机视觉、自然语言处理、语音识别等领域取得了巨大进步。

预测。根据历史数据预测时间序列数据的未来值。 用于股价预测、销售预测等。

机器人学。根据图像识别和传感器数据控制机器人的运动。

预测客户流失。识别可能停止使用某项服务的客户。