别再被 w、b、z、a 劝退一个神经元如何把输入变成概率本文整理自 B 站视频《第4讲〈单神经元与逻辑回归从线性模型到激活函数〉》适合深度学习和 YOLO26 入门同学快速复盘。神经网络里最劝退新手的不一定是代码而是符号w、b、z、a、sigmoid、Loss、梯度其实第 04 讲只讲一件事一个最简单的神经元怎么把输入变成概率判断一句话记住输入特征 x → 线性打分 z → sigmoid 概率 a → 最终预测01 先把符号翻译成人话符号人话解释x输入特征比如边缘强度、亮度、纹理w权重每个特征的重要性b偏置整体判断门槛z原始得分还不是概率a激活后的输出二分类里可看成概率核心公式z w·x b a sigmoid(z)别先背公式先理解它在干什么先打分再把分数变成概率。02 一张图看完整链路单神经元的预测过程输入特征把样本变成数字。乘以权重重要特征分量更大。加上偏置调整整体判断门槛。得到z这是原始分数。过 sigmoid把分数压到 0 到 1。输出a可解释为正类概率。03 手算例子有没有圆形缺陷设x1 边缘强度 x2 局部亮度 z 2x1 - x2 0.3样本 Ax1 0.8, x2 0.4 z 2×0.8 - 0.4 0.3 1.5z为正sigmoid 输出大于 0.5倾向判断有缺陷。样本 Bx1 0.1, x2 0.9 z 2×0.1 - 0.9 0.3 -0.4z为负sigmoid 输出小于 0.5倾向判断无缺陷。04 Sigmoid 为什么重要Sigmoid 的作用是把任意分数压成概率zasigmoid(z)很大接近 10等于 0.5很小接近 0所以二分类模型常把a当成正类概率。例如a0.82可以理解为模型比较相信“有缺陷”a0.12则说明模型不太相信。05 逻辑回归为什么像一个神经元逻辑回归的二分类流程就是x → w·xb → sigmoid → 概率这和单神经元的前向计算是一条线。所以逻辑回归不是孤立知识点它是理解神经网络的入口。06 单个神经元够用吗单个神经元通常只能学比较简单的线性边界。真实图片有光照、遮挡、尺度、背景干扰边界通常很复杂。所以后面需要多个神经元组合。非线性激活函数。CNN 自动提取层级特征。YOLO 检测头输出类别、位置和置信度。07 最小代码自己算一次importnumpyasnpdefsigmoid(z):return1/(1np.exp(-z))xnp.array([0.8,0.4])wnp.array([2.0,-1.0])b0.3znp.dot(w,x)b asigmoid(z)print(z,a)运行后你会看到z1.5a大约是0.817。08 本讲带走 4 句话w是特征重要性b是整体门槛。z w·x b是原始得分。a sigmoid(z)是二分类概率。逻辑回归可以看成一个最简单的神经元。下一讲进入计算图和反向传播模型预测错了以后到底怎么知道每个权重该改多少