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：
text
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：
text
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：
text
x1 = 边缘强度
x2 = 局部亮度
z = 2x1 - x2 + 0.3样本 A：
text
x1 = 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 B：
text
x1 = 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：
z |
a=sigmoid(z) |
|---|---|
| 很大 | 接近 1 |
| 0 | 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 a=0.82，可以理解为模型比较相信"有缺陷"；a=0.12，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：
text
x → w·x+b → 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
python
import numpy as np
def sigmoid(z):
return 1 / (1 + np.exp(-z))
x = np.array([0.8, 0.4])
w = np.array([2.0, -1.0])
b = 0.3
z = np.dot(w, x) + b
a = sigmoid(z)
print(z, a)运行后你会看到 z=1.5，a 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？
