从"打伞决策"到"反向传播"，一步步探索神经网络的奥秘
探索问题：
如果 AI 从来没有被告知"下雨要打伞"，它能自己学会这个规则吗？
通过下面的模拟，你将亲手"训练"一个神经网络，看看它是如何从错误中学习的！
拨动开关，观察神经网络如何根据天气条件决定是否打伞。注意信号如何从输入层流向输出层！
| 下雨X₁ | 下雪X₂ | 总和 | >0? | 输出 |
|---|---|---|---|---|
| 0 | 0 | 0 | ❌ | ☀️ 不打伞 |
| 1 | 0 | 1 | ✅ | ☂️ 打伞 |
| 0 | 1 | 1 | ✅ | ☂️ 打伞 |
| 1 | 1 | 2 | ✅ | ☂️ 打伞 |
这个神经网络实现了一个简单的"OR逻辑"：只要有任何一种恶劣天气（下雨或下雪），就打伞。隐藏层的运算 X₁+X₂>0 就是这个逻辑的数学表达。
🤔 想一想：如果要实现"下雨且下雪才打伞"，判断条件应该改成什么？
调整权重和阈值，观察神经网络如何做出更复杂的决策。不同的权重代表不同条件的"重要程度"！
权重就像"投票权"——权重越大，这个条件对结果的影响越大。水果权重=4，意味着"甜点是水果"这一条件的影响力是蛋糕的4倍。
阈值就像"门槛"——只有总分超过门槛，神经元才会"激活"并输出1。
🤔 试试把水果权重调到5，阈值调到4，看看结果有什么变化？
模拟一个问答机器人的训练过程。观察AI如何通过"猜测→计算误差→调整权重"来不断改进！
| 类别 | 预测% | 正确% | 误差 |
|---|
AI工程师只规定了运算的步骤和方法（反向传播算法），并没有具体给出每个权重和阈值的值。权重是AI通过大量训练自己调整出来的！
这就是为什么深度学习的隐藏层对专业研究人员来说也难以解释——里面有数百万个权重，都是AI自己"摸索"出来的。
根据练习5的要求，设计你自己的神经网络！调整权重和阈值，让网络能正确判断学生是否通过选拔。
某学校科技特长班选拔规则：
| 数学 | 语文 | 英语 | 期望 | 实际 | ✓? |
|---|