简单来说，神经网络是一种模仿动物神经网络行为特征，进行分布式并行处理信息的算法模型。
人工神经网络（ANN）的性能好坏，高度依赖神经系统的复杂程度，他通过调整内部大量“简单单元”之间的互连权重，从而达到处理信息的目的，并具有自学习和自适应的能力。
“简单单元”就是神经网络中的最基本元素——神经元。
M-P神经元模型是模仿大脑神经元的最早示例。
在M-P神经元模型中，神经元接收来自n个其他神经元传递过来的输入信号，再将接收到的输入信号按照某种权重叠加起来，叠加起来的刺激强度S可用公式来表示。得到S后，好要与当前神经元的阈值进行比较，然后通过激活函数向外表达输出。
M-P神经元模型可用公式来表示，其中
是所谓的“阈值”，f就是激活函数
罗素等人在书中论述说，“所有的数学法则，都可自下而上地用无可辩驳的基本逻辑来建立”。而在底层、基础的逻辑，即为是与非两种判定。在哲学上，属于还原论的范畴。
一旦知识的继承性出了问题，那么知识的积累也就成了问题。而没有知识的积累，就很难引爆知识的“质变”。
西方社会都有一套清晰可见的规则，可用来任意复盘公理化推演。
皮茨使用模数方法，通过取模操作，把最后一个输出巧妙地变成了第一个输出。在皮茨的计算里，不需要时间。一个“挤掉了时间的观念”，在某种程度上，就是“记忆”。
M-P神经元模型的重要意义，把大脑视为计算机一样的存在，是对生物大脑的极度简化，却成功地提供了基本原理的证明。
M-P神经元模型是按照生物神经元的结构和工作原理构造出来的一个抽象和简化了的模型，实际上是对单个神经元的建模。
在训练网络权重时，通常依赖对某个权重求偏导、寻极值，而不光滑、不连续等通常意味着该函数无法“连续可导”。
