构建神经网络 可以学习非线性关系， 从下面熟悉的模型结构开始： 线性模型，形式为 $y'= b + w_1x_1 + w_2x_2 + w_3x_3$。
我们可以将该等式可视化，如下所示，其中 $x_1$， $x_2$ 和 $x_3$ 是三个输入节点（蓝色），$y'$ 是输出节点 （绿色）。
练习 1
在上面的模型中，weight 和 bias 值是随机 初始化。请执行以下任务，以便熟悉 并探索线性模型。您可以 暂时忽略激活函数下拉列表；我们将讨论 讨论主题。
点击广告网络上方的“播放”(▶️) 按钮，以便计算 输入值 $x_1 = 1.00$、$x_2 = 2.00$ 以及 $x_3 = 3.00$。
点击 输入层，并将 2.00 之间的值 到 2.50。请注意，输出节点的值会发生变化。选择输出 节点（显示为绿色），并查看计算面板，了解输出结果 值。
点击输出节点（绿色），查看权重（$w_1$、$w_2$、$w_3$）和 偏差 ($b$) 参数值。降低以下项的权重值： $w_3$（同样，请注意输出节点的值和下面的计算结果 已更改）。然后，提高偏差值。了解这些变化 对模型输出的影响。
向网络添加层
请注意，如果您调整了网络的权重和偏差值， 练习 1，这没有改变总体数学 输入和输出之间的关系。我们的模型仍然是一个线性模型。
但是，如果我们在输入层之间的这个网络中添加另一个层， 和输出层呢？在神经网络术语中， 输入层和输出层称为 隐藏层和节点 称为 神经元。
隐藏层中每个神经元值的计算方式与 线性模型的输出：取每项输入的乘积之和 （上一网络层中的神经元）和一个唯一的权重参数， 以及偏差。同样，下一层（此处为输出层）中的神经元 使用隐藏层的神经元值作为输入来计算。
这个新的隐藏层允许模型使用另一个输入数据 一组参数。这能否帮助我们的模型学习非线性关系？
练习 2
我们向模型中添加了一个包含四个神经元的隐藏层。
点击广告网络上方的“播放”(▶️) 按钮，以便计算 输入值的四个隐藏层节点和输出节点 $x_1 = 1.00$、$x_2 = 2.00$、$x_3 = 3.00$。
然后探索该模型，并使用它回答以下问题。
尝试修改模型参数，并观察对 隐藏层节点值和输出值（您可以查看 计算面板，了解这些值是如何 ）。
此模型可以学习非线性规律吗？
如果您点击隐藏层中的每个节点， 您会发现所有过程都是线性的 （包含乘法和加法运算）。
如果您随后点击输出节点并查看计算结果， 您可以看到，这种计算也是线性的。直线式 对线性计算输出执行的计算结果为 也是线性的，这意味着该模型无法学习非线性规律。