在李宏毅老师的机器学习课程中，时长看到向量的身影，那么向量和神经元是否可以形式化的类比。

1 激活函数：将神经元的工作一般化
对神经元进行抽象可得如下图所示：

神经元有输入，并不一定有输出，只有当输入信号的之和大于某个强度，才会产生输出，这一过程叫点火。

模拟这一过程，数学表达为 : y为输出、x是各种输入，w是各种输入对应的权重

其中​ 是激活函数 （activation function）例如单位阶跃函数，或Sigmoid函数。在生物界，​ 不能是负的，但是在机器学习里它可正可负，所以上述式子可为：

关键是看括号这部分，它与向量有关。

2 向量
有大小和方向的量。简单的先从二维坐标系中理解它。即从原点为起点，以某个点为终点，指向终点的一段线段。为了表示这个向量，就要描述终点的坐标例如B(2,3) 代表横坐标是2，纵坐标是3的点——为了表示方向和终点，在坐标系中将起点统一定为原点，这就省了描述它，另外也约定好先表示横坐标，在表示纵坐标。

向量的内积
如下向量​ ,​ 的内积，（首先明白向量的内积结果是个值，不是向量），向量​的内积可以用坐标的方法，表示为：

关键1： 其形式与上面激活函数里输入与权重的乘积形式很像。

多维度的向量内积

把权重和输入值看成是两个多维向量的内积，简化了神经元抽象的方程

欢迎大家学习    https://aistudio.baidu.com/aistudio/course/introduce/1978