在介绍通用神经网络之前，咱们先学习一下最简略的单元——单层神经网络。一个单层神经网络，能够看做一个函数，它将一个或多个输入

  一个单层的神经网络里还包括了一些“可学习的参数”（详细神经网络怎样学习，将会在后面介绍），及图中的w_1,w_2,b。单层神经网路经过数据的输入输出，调整这些参数，来将一个输入映射到正确输出的值里。其间w是每个输入的权重，b是将输出偏移的值。假如你学过线性代数你会发现这是一个线性改换。

  举个比方，假如咱们已知Alex，Bob重多少，想让神经网络输出两个人遭到的重力加在一同是多少。

  咱们其实知道关于重力的公式G = m*g，可是这个单层神经网络并不知道，那么怎样让他学习到这个联系呢？假定咱们计算了许多个数据，每个数据包括榜首个人重x_1kg，第二个人的重x_2kg，以及他们一同的重力output。咱们将这一些数据丢给神经网络去学习，它最终会学习（调整）两个参数w_1,w_2，逼近于g的值。

  到目前为止，神经网络还只能做到线性的改换。可是其实在实在的日子中许多问题，输入和输出不是线性的联系的。

  比方一个狗狗图片，咱们人眼看到它，大脑会分辨出这是一只狗。其间狗狗图片便是输入，这是一只狗是输出，其间大脑处理的进程必定不是线性的改换。

  神经网络经过激活函数来完成了这个非线性改换，图中的\sigma，经过一个非线性改换的激活函数。你可能会问一个激活函数就有这么大的效果吗？就比如0和1相同，根据它们才有了咱们现在的计算机，它乃至结构了整个虚拟国际。相同，假如有多个单层神经元组合起来，再加上可学习的参数调整，它能做的工作会许多，乃至出乎你的预料。