人工神经元（加权和与激活）

人工神经元是深度学习的最小计算单元。它只做两件事：① 计算加权和 Z = W·X + b，② 经过激活函数 Y = ReLU(Z) 或 Sigmoid(Z)。

它的灵感来自生物神经元：真正的神经元接收多个信号，给每个信号不同的权重，求和后如果超过阈值就发放脉冲。人工神经元是这一过程的数学简化版。

总结：输入 (X) → 权重与偏置 (Z = W·X + b) → 激活 (Y = f(Z)) → 输出 (Y)。这就是人工神经元做的全部事情。

ChatGPT、图像分类器、推荐系统等 AI 模型，都是由数千到数十亿个这样的神经元串联而成。理解一个神经元，就能读懂整个模型的行为。

训练就是逐步调整每个神经元的权重 (W) 和偏置 (b)，让输出越来越接近正确答案。理解 W 和 b 如何影响输出，是理解学习过程的关键。

一个神经元把内积 + 偏置 + 激活合为一体，串联了前面学过的所有知识：内积、矩阵乘法、线性层、激活函数在这里融汇贯通。

生活类比——考试通过预测：算出「数学×0.4 + 理科×0.4 + 英语×0.2 + 5 = 75」（加权和），再判断「≥ 60 → 通过(1)，否则不通过(0)」（激活）。这就是一个神经元的操作。

图像识别中的一个神经元：它读取一小块像素区域，算出加权和再加偏置，经 ReLU 得到「这里是否有一条横线？」的分数。成千上万个这样的神经元配合起来才能判断「是狗还是猫」。

聊天机器人、翻译、语音识别：句子或声音的每个部分被转为数值，神经元算出「有哪些模式存在」的分数，分数传给下一层的神经元，逐层理解越来越复杂的含义。

第一步——加权和 (Z)：计算 Z = W·X + b。用 W 的该行与 X 做内积再加 b。如果空白在 Z 中，在这一步填入。

第二步——激活 (Y)：对 Z 应用题目给定的激活函数。ReLU：Z > 0 则 Y = Z，Z ≤ 0 则 Y = 0。Sigmoid：查表看 Z 落在哪个区间。

空白在 W 或 b 中：如果 Y 和 X 已知，先反推激活得到 Z，再从 Z = W·X + b 解出空白。关键是一步一步倒推。