1.1 感知机

感知机 $\to$$\to$ 人工神经元 $\to$$\to$ sigmoid

$w$$w$：权重， $x$$x$：输入向量， $b$$b$：偏置

偏置即阈值，决定了决策的难易程度（激活的难易，产生 “1” 的难易）。如果使用多层的感知机网络，能够构造复杂精细的决策机制。

学习的关键就是对权重和偏置的控制

1.2 sigmoid 神经元

反复的修改权重和偏置来获取想要的结果，这就是神经网络学习的方式。

要考虑局部和整体有效性的工程上的折衷处理。

sigmoid 神经元经过修改后，权重和偏置的微小变动只会引起输出的微小变化。