最最简单的神经网络-感知器（神经元）y = wx + b ，就是一元线性函数，线性回归，前一篇文章已介绍过。再复杂点就套个非线性函数，比如，
y = relu（wx + b）
一般x是多元的（x，x，...，x），比如，
y = relu(wx + wx + ... + wx + b)
y也可以是多元的，比如，
y = relu(wx + wx + ... + wx + b)
y = relu(wx + wx + ... + wx + b)
...
y = relu(wx + wx + ... + wx + b）
神经元y，y，...，y组成一层，神经网络一般有多层，一层连一层。
学过点线性代数的都可以看出，k对w和x相乘，再统统加起来，就是矩阵乘法的基本运算，神经网络的算法大量就在算这玩意儿，GPU就用来干这事。
回归算法误差函数为
L(w，b) = 1/2 [(f-y)^2 + (f-y)^2 + ... + (f-y)^2]
其中，
f = relu(wx + wx + ... + wx + b）为计算值，y为样本数据实际值。
L(w, b)对众多w，b求偏导的计算原理都差不多，用反向传播的链式求导法则逼近多层网络w，b的稳定值。
以下pytorch程序代码用分类算法的交叉熵误差函数L(w，b)来计算模型输出的概率分布和真实概率分布的差异，图象识别、大语言模型等分类算法模型也用到这类误差函数，用数据训练模型就是用正向传播和反向传播循环迭代计算逼近w，b的稳定值。可以观察net.hidden.weight, net.hidden.bias, net.output.weight, net.output.bias 等。