隐藏层（看不见的层）

隐藏层是输入与输出之间的中间阶段。用户只看到输入（如照片）和输出（如「狗」），但在中间，隐藏层创造出「隐藏特征」。

流程：X → Linear(W₁·X+b₁) → ReLU → H（隐藏表示）→ Linear(W₂·H+b₂) → ReLU → Y（输出）。H 是隐藏层的结果，包含压缩后的输入「关键特征」。

类比：你看到一张照片说出「狗」，大脑经历了「颜色 → 边缘 → 眼睛/鼻子/耳朵 → 狗！」这些中间思考过程就是隐藏层。隐藏层的神经元数（宽度）决定了能捕捉多少种不同特征。

隐藏层逐步汇总和变换输入数据。浅层捕捉简单特征（亮度、边缘），深层捕捉复杂特征（眼睛、轮子、字母）。

没有隐藏层，模型只能从输入直接映射到输出，只能表达非常简单的（线性）关系。有了隐藏层，就能学习复杂关系（曲线、多条件组合）。

隐藏层的神经元数（宽度） 和层数（深度） 决定模型的表达能力。太小 = 信息瓶颈、效果差；太大 = 过拟合（死记硬背而非真正学会）。

图像识别：「像素 → 边缘 → 纹理 → 物体部件（眼睛、轮子）→ 整体物体（狗、汽车）」这些阶段全是隐藏层。越深的层提取越抽象的特征。

聊天机器人与翻译：文本转为数值后，经过多个隐藏层逐步精炼「词义 → 句意 → 回答方向」。ChatGPT 经过数十个隐藏层（Transformer 块）来生成回答。

语音识别：「声波 → 频率特征 → 音素 → 词 → 句子」每个阶段的转换都经过隐藏层。

按顺序计算：X → (W₁·X+b₁) → ReLU → H → (W₂·H+b₂) → ReLU → Y。逐步计算每一步。如果空白在 H 中，只需算完第一段「线性+ReLU」。如果在 Y 中，先算 H 再算第二段。

ReLU 注意点：当线性结果（W·输入+b）为负数时，ReLU 会将其变为 0。到下一层时该值为 0，对应项完全不起作用——可以直接忽略。这是隐藏层题目的常见关键点。

空白在 W 或 b 中：隐藏层题目有两段（两次线性+激活）。先确认空白属于哪一段，如果已知那一段的输入和输出，就可以只用那一段的方程来求解。