\parinterval 同样，人工神经元是人工神经网络的基本单元。在人们的想象中，人工神经元应该与生物神经元类似。但事实上，二者在形态上是有明显差别的。如图\ref{fig:9-4} 是一个典型的人工神经元，其本质是一个形似$ y=f({\vectorn{\emph{x}}}\cdot{\vectorn{\emph{w}}}+b)$的函数。显而易见，一个神经元主要由${\vectorn{\emph{x}}}$，${\vectorn{\emph{w}}}$，$ b $，$ f $四个部分构成。其中${\vectorn{\emph{x}}}$是一个形如$(x_1,x_2,\dots,x_n)$ 的实数向量，在一个神经元中担任“输入”的角色。${\vectorn{\emph{w}}}$通常被理解为神经元连接的{\small\sffamily\bfseries{权重}}\index{权重}（Weight）\index{Weight}（对于一个人工神经元，权重是一个向量，表示为${\vectorn{\emph{w}}}$；对于由多个神经元组成的神经网络，权重是一个矩阵，表示为${\vectorn{\emph{W}}}$），其中的每一个元素都对应着一个输入和一个输出，代表着“某输入对某输出的贡献程度”。$ b $被称作偏置（对于一个人工神经元，偏置是一个实数，表示为$b$；对于神经网络中的某一层，偏置是一个向量，表示为${\vectorn{\emph{b}}}$）。$ f $被称作激活函数，用于对输入向量各项加权和后进行某种变换。可见，一个人工神经元的功能是将输入向量与权重矩阵右乘（做内积）后，加上偏置量，经过一个激活函数得到一个标量结果。
\parinterval 生物学中，神经元是神经系统的基本组成单元。同样，人工神经元是人工神经网络的基本单元。在人们的想象中，人工神经元应该与生物神经元类似。但事实上，二者在形态上是有明显差别的。如图\ref{fig:9-4} 是一个典型的人工神经元，其本质是一个形似$ y=f({\vectorn{\emph{x}}}\cdot{\vectorn{\emph{w}}}+b)$的函数。显而易见，一个神经元主要由${\vectorn{\emph{x}}}$，${\vectorn{\emph{w}}}$，$ b $，$ f $四个部分构成。其中${\vectorn{\emph{x}}}$是一个形如$(x_1,x_2,\dots,x_n)$ 的实数向量，在一个神经元中担任“输入”的角色。${\vectorn{\emph{w}}}$通常被理解为神经元连接的{\small\sffamily\bfseries{权重}}\index{权重}（Weight）\index{Weight}（对于一个人工神经元，权重是一个向量，表示为${\vectorn{\emph{w}}}$；对于由多个神经元组成的神经网络，权重是一个矩阵，表示为${\vectorn{\emph{W}}}$），其中的每一个元素都对应着一个输入和一个输出，代表着“某输入对某输出的贡献程度”。$ b $被称作偏置（对于一个人工神经元，偏置是一个实数，表示为$b$；对于神经网络中的某一层，偏置是一个向量，表示为${\vectorn{\emph{b}}}$）。$ f $被称作激活函数，用于对输入向量各项加权和后进行某种变换。可见，一个人工神经元的功能是将输入向量与权重矩阵右乘（做内积）后，加上偏置量，经过一个激活函数得到一个标量结果。
