經過上節的講述我們能夠了解輸入x、權重w、偏置b （-θ）之間的關系，如下圖所示：
公式中的n 代表有n個輸入項，是以所有的輸入值最終等于z，之前我們通過u(z) 的函數得到的結果y，0 或者1 。為了擷取y 點火的機率，我們使用了 激活函數 a(z) ,激活函數的目的是表示y 點火的機率是多少，如果結果靠近 1 就是點火的可能性較大，否則就認為可能性較小。
并且得出了激活函數的最終結果就好像兩個向量求内集如下：
神經元網絡
有了神經元的概念打底再來看看多個神經元形成的網絡，每個神經元既可以發送信号，又可以接受信号，如果将信号發出的方向畫一條帶箭頭的先，箭頭的方向指向其他的神經元，那麼我們就可以畫出如下的一個網絡圖。
如上圖所示，多個神經元構成了網絡，同時在同一個級别的神經元還形成了“層，”包括輸入層、隐藏層、輸出層，其中隐藏層也被稱為中間層。各層分别執行特定的信号處理操作。輸入層負責讀取給予神經網絡的資訊。屬于輸入層的神經單元隻是将從資料（信号）得到的值原樣輸出給下一層。隐藏層的神經單元會接受信号，通過a(z) 激活函數得到y 作為輸出信号傳遞給下一層的神經網絡。圖中可以看出存在兩層隐藏層，在實際情況中，可能存在多層隐藏層用來特征的抽取，具體操作後面的章節會提到。如此周而複始，直到将信号通過輸出層給到使用者。
深度學習，就是疊加了很多層的神經網絡，将從輸入層輸入的資料通過隐藏層的層層加工，最後通過輸出層輸出。
輸入層
假設有一張圖檔，我們用一個12 個神經元組成的輸入層，每個神經元代表一個像素，圖檔本身隻有黑白兩種像素。