你对这个主题的整体看法是正确的。神经元只不过是一组输入、一组权重和一个激活函数。神经元将这些输入转换为单个输出，然后可以将其作为稍后另一层神经元的输入。

虽然神经网络之间的细节可能有所不同，但函数$f(x_1, x_2, \ldots , x_n)$通常只是一个加权和：

$$f(x_1, x_2, \ldots , x_n) = w_1\cdot x_1 + w_2\cdot x_2 + ... + w_n\cdot x_n$$ 每个神经元都有一个权重向量 $w = (w_1, w_2, ..., w_n)$，其中$n$是该神经元的输入数。这些输入可以是“原始”输入特征——比如天气模型的温度、降水和风速——也可以是来自较早层的神经元的输出。

在训练阶段，每个神经元的权重会发生变化，使得最终的网络输出偏向于某个值（通常为 1）作为信号，而另一个（通常为 -1 或 0）作为背景。

神经网络中的非线性行为是通过使用激活函数（通常是 sigmoid 函数）来实现的，的输出被传递和修改。这允许神经网络描述更复杂的系统，同时仍然以简单的方式组合输入。$f$

我发现Tim Dettmers的Deep Learning in a Nutshell系列是对机器学习主题的一般性介绍。

在人工神经网络中，神经元是模拟生物神经元功能的数学函数。通常，一个神经元计算其输入的加权平均值，并且这个和通过一个非线性函数传递，通常称为激活函数，例如 sigmoid。我附上了一张来自 AI 课程的图片来说明它（请注意，在这种特殊情况下，加权和还包含一个偏差项）。 然后可以将神经元的输出作为输入发送到另一层的神经元，该神经元可以重复相同的计算（输入的加权和和激活函数的变换）。

请注意，此计算对应于将输入/激活状态向量与权重矩阵相乘（并将结果向量传递给激活函数）。

如果您对神经网络感兴趣，不仅从工程的角度来看，而且还对这些人工神经元与真实生物神经元的相似之处感兴趣，一本仍然很有趣的经典书籍是Rumelhart 和 McClelland 的 Parallel Distributed Processing

最简单的版本相当简单，尤其是回归案例。如果是您的结果，是您的数据，则模型是$y$$X$

$$y= Z'\beta$$ $$Z=\sigma(X'\alpha)$$ $$\sigma(x) = 1/(1+e^{-x})$$

$\alpha$和是参数，由优化器选择。固定 Z 的数量与固定$\beta$$\alpha$

在软件工程人工神经网络中，神经元是数学函数的“容器”，通常在人工神经网络图形表示中绘制为圆圈（见下图）。一个或多个神经元形成一个层——一组通常在人工神经网络表示中垂直排列的层。在更复杂的硬件系统中，每台计算机或每组计算机都可以看作是图形表示中的单个神经元。在软件工程的范围内：

神经元可以属于输入层（下图红色圆圈）、隐藏层（蓝色圆圈）或输出层（绿色圆圈）。

在一个简单的单向人工神经网络（也称为前馈人工神经网络）中：

• 输入层神经元接收输入信息（通常是文本、图像、音频和其他类型数据的数字表示），通过数学函数（激活函数）对其进行处理，并根据条件将输出“发送”到下一层的神经元。在通往其他层神经元的路上，该数据乘以预设权重（放置在连接一个神经元与其他神经元的图形线中）。

• 隐藏层神经元从输入层或前一个隐藏层接收输入，将它们传递给新函数并将结果发送到下一层神经元。同样，这里的数据通常乘以途中的权重。

• 输出层神经元接收来自前一层的输入，通过新函数处理它们并输出预期结果。结果可以是简单的二元分类（0 或 1、是或否、黑色或白色、狗或非狗）、多项选择分类（ei：猫、狗或狼）、数字预测、矩阵等。根据人工神经网络的类型，该输出可以用作最终结果，也可以用作相同或另一个神经网络上新循环的输出。

神经元中包含的数学函数可以根据人工神经网络的类型而有所不同——它们可以是简单的回归函数、非线性 sigmoid 函数等。