神经网络的基本要素

权重： 神经元之间的连接强度由权重表示，权重的大小表示可能性的大小

偏置： 偏置的设置是为了正确分类样本，是模型中一个重要的参数，相当于加入一个常数。

激活函数： 起非线性映射的作用，其可将神经元的输出幅度限制在一定范围内，一般限制在(-1~1) 或 (0~1) 之间。最常用的激活函数是Sigmoid函数，其可将 (-∞，+∞) 的数映射到(0~1) 的范围内。

包含偏置b的公式: 
不包含偏置b的公式：

神经网络主要是以矩阵的乘积来运算，即内积；主要的函数为np.dot(x,w)+b。其中x为上一层神经元的值，w为下一层神经元的权重,b为下一层神经元的偏置。

神经网络的主要流程为：输入层-->与第一隐藏层的权重和偏置进行运算(np.dot(x,w1)+b1)-->过激活函数生成第一隐藏层输出的值-->与下一层隐藏层的权重和偏置进行运算(有多少层隐藏层就进行多少次运算)-->过输出函数-->输出输出层的值。