深度计算公式（深度学习公式推导）

深度计算公式（深度学习公式推导）将上面的公式进行进一步的转换， 就变成了如下两个向量的内积形式。计算机擅长内积的计算，因此按照这种解释，计算就变容易了。那么加权输入z 的表达式就可以看成如下的公式：由于公式中的 θ 前面有一个“-”（符号），为了计算方便将其进行替换成b，b 就等于 “-θ”，这样公式就变成如下的样子：上图中的b 就是偏置，有了这个概念以后神经元图就改成如下的样子：如上图所示，除了原来的输入，还加入了一个偏置量 b。

当引入Sigmoid 函数之后，会把y的结果设定为从0 到1 之间的数字，无论x 的取值是多少，这样就把线性函数变成了非线性函数，描述y发射的概率问题。这里不对Sigmoid函数进行深入的讨论，大家只要知道Sigmoid是一种激活函数，在这里可以描述发射概率问题。（当然在其他场景也有不同的描述）

偏置

根据上面激活函数的折腾，我们得到了如下的公式；

其实这个公式就是把之前的函数u改成了a（激活函数）。

由于公式中的 θ 前面有一个“-”（符号），为了计算方便将其进行替换成b，b 就等于 “-θ”，这样公式就变成如下的样子：

上图中的b 就是偏置，有了这个概念以后神经元图就改成如下的样子：

如上图所示，除了原来的输入，还加入了一个偏置量 b。

那么加权输入z 的表达式就可以看成如下的公式：

将上面的公式进行进一步的转换， 就变成了如下两个向量的内积形式。计算机擅长内积的计算，因此按照这种解释，计算就变容易了。