摘要：这篇文章主要是对上一篇文章中所给例题中部分知识点的讲解，较多的参考了网上其他朋友的资料，主要是供大家学习和自己以后查看资料方便，如有侵权，请告知！我会及时修改、删除！
首先给出上一篇文章的例题，一道题道出神经网络的本质，下面将介绍例题中涉及的隐藏层、偏置单元、激活函数。
例题中除了输入层和输出层，还有几层隐藏层。从图中可以看出，隐藏层不直接接受外界的信号,也不直接向外界发送信号。隐藏层的作用，简单来说就是构造出一个复杂的模型，复杂的程度由隐藏层的层数和各隐藏层神经元的个数决定。
因此，当隐藏层层数等于0时，相当于一个最简单的模型——线性或非线性回归模型。
有兴趣的朋友们可以参考以下文章详细了解
1.使用隐藏层和神经元的目的
2.对隐藏层的简单理解
偏置单元(bias unit),也称为偏置项（bias term）或者截距项（intercept term），它其实就是函数的截距，与线性方程 y=wx+b 中的 b 的意义是一致的。
在 y=wx+b 中，b表示函数在y轴上的截距，控制着函数偏离原点的距离，其实在神经网络中的偏置单元也是类似的作用。
下面举个简单的例子：
神经网络最重要的用途是分类，如垃圾邮件识别、疾病判断、猫狗分类这种能自动对输入的东西进行分类的机器，就叫做分类器。现在我们有一个简单的任务，需要将下面三角形和圆形进行分类：
如果没有偏置单元，我们可以轻易得到一条过原点的直线y=wx线性分开这些数据点。
但是，假如我现在的样本点是如下这种：
则方程应为y=wx+b,由此，我们发现，增加偏置单元可以给网络分类增加平移的能力。
input layer✖权重后，往往要对结果进一步处理，即把结果作为激活函数的输入值。一般，激活函数要取非线性的激活函数。从ReLU到GELU，一文概览神经网络的激活函数
如果我们不使用或使用线性激活函数会怎么样呢？
变量声明：
x：输入，下角标代表是第几个输入
y：输出，上面的符号代表y值是通过网络计算出的值，并不是真实值
W：权重，一般是向量或矩阵。上角标1代表是输入层和第一层之间的权重
b：偏置，常数。每一层只有一个，上角标意义同权重。
z：使用激活函数前的输出，上角标1代表是输入层和第一层计算后的输出
a：使用激活函数后的输出，上角标1代表是输入层和第一层计算并经过激活函数后的输出
g：代表某一个激活函数g(x)，上角标1代表是第一层的激活函数
如下图，图中第一列圆圈为第一层，第二列为第二层。如果不使用激活函数，则第一层的a=z，第二层的a=z。如右边公式，最后得到的结果仍然是线性的。
我们使用神经网络的目的是为了得到复杂的函数关系，如果不使用激活函数，最后得到的只是线性关系，并不是我们所需要的。
使用线性的激活函数同理，只不过在最后结果前面加了一个系数。
为了理解方便，我们采用最简单的方式：每个连接的权值由随机数函数产生，权重w就是我们需要训练的模型参数，但这样得到的效果并不好，收敛速度慢，因此采用某些函数对权值进行初始化，深度学习中神经网络的几种权重初始化方法。
