每个深度网络的核心都是一个线性变换，后面接着一个激活函数 f(⋅)

以下是一个简单的例子，说明深度神经网络中的线性变换和激活函数的组合：

例子：单层神经网络

假设我们有一个单层神经网络，输入为 x，权重为 W，偏置为 b。

1. 线性变换：

   z=Wx+b

   这里，zz 是线性变换的结果。

2. 激活函数：
   我们接着将 zz 输入到激活函数中，例如使用 ReLU 激活函数：

   a=f(z)=max⁡(0,z)

   这里，a 是经过激活函数处理后的输出。

整体过程：

将输入 x先经过线性变换，然后通过激活函数 f(⋅)处理，最终得到输出 a。在更深的网络中，这个过程会在多个层次上重复进行，每一层都有自己的线性变换和激活函数组合。

总结：

这个示例展示了深度网络中线性变换与激活函数是如何协同工作的，从而使得网络能够学习并表示复杂的特征。