从一个神经元，
到多层神经网络。

1. 输入

   要处理的数值，例如像素、边缘强度或上一层的输出。

2. 权重

   每个输入各有一个权重，表示影响的方向和强弱。

3. 偏置

   不依赖某个输入的额外数值，用于平移响应位置。

4. 激活函数

   把加权和再变换一次，为网络引入非线性。

一个神经元y = 激活函数(x₁ × w₁ + x₂ × w₂ + b)

“关注”是便于理解的说法。真实网络参数由训练得到，某个神经元的作用未必能直接用一个人类概念命名。

输入层

表示模型要接收的数据，本身通常不做神经元计算。

隐藏层

完成中间变换；“隐藏”只表示它不是外部直接提供或最终展示的值。

输出层

按任务给出结果，例如两个类别分数或十个数字分数。

import math

x1, x2 = 0.8, 0.6
w1, w2, bias = 1.2, 0.7, -0.5
z = x1 * w1 + x2 * w2 + bias
output = 1 / (1 + math.exp(-z))
print(f"神经元输出：{output:.2f}")

1. 第 1 行

   导入指数计算需要的 math 工具。

2. 第 3–4 行

   准备两个输入，以及它们对应的权重和一个偏置。

3. 第 5 行

   完成加权求和，得到激活前的 z。

4. 第 6 行

   使用 Sigmoid 把 z 转换到 0–1。

已回答 0 / 3 题 · 当前答对 0 题

1. 神经元接收输入，完成加权、求和与激活。
2. 权重决定每个输入影响的方向和强弱。
3. 偏置调整整体响应位置，激活函数引入非线性。
4. 多个神经元并排组成一层，多层串联组成网络。
5. 权重与偏置由训练调整；预测时只使用它们。