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https://www.jianshu.com/p/daf5b4f0238c，下面将介绍例题中涉及的隐藏层、偏置单元、激活函数。
隐藏层
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"https://www.jianshu.com/p/91138ced2939
2."对隐藏层的简单理解 "https://www.cnblogs.com/freyr/p/4506522.html
偏置单元
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。
激活函数
激活函数是用来加入非线性因素的，提高神经网络对模型的表达能力，解决线性模型所不能解决的问题。
详细介绍请看下面这篇文章：
"神经网络激活函数的作用是什么？"https://blog.csdn.net/program_developer/article/details/78704224
权重
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，后面将详细介绍设置权重的函数。
如有不当，请各位批评指正<抱拳><抱拳><抱拳>
