【1】引言
从这篇文章开始，将记述对神经网络知识的探索。相关文章都是学习过程中的感悟和理解，如有雷同或者南辕北辙的表述，请大家多多包涵。
【2】加权平均法
在数学课本和数理统计课本中，我们总会遇到求一组数据平均值的做法，而获得平均值的计算方法，是丰富且各有深远意义的。
在之前的学习进程中，在对numpy模块进行探索时，曾对平均值函数numpy.average()有过基础探索，相关文章链接为：numpy学习|average()函数基础_numpy average-CSDN博客
在这篇文章中，有一种加权平均值的计算方法，算法原理为：
对于一组数据，每个数据占有的权重不同，计算平均值时，每个数据和各自对应的权重相乘后再叠加。
比如两个数为1和5，对应的权重分别为0.8和0.2，获得这两个数的算术平均值和加权平均值的算法明显不同：
算术平均值计算方法：
加权平均值计算方法：
由上述例子可见，权重会给结果带来显著影响；相应的，掌握权重的分配，会直接影响计算结果的呈现。
【3】感知机
对加权平均值加一层结果判断，就是感知机，继续使用上述示例。
在上述示例中，两个数为1和5，对应的权重分别为0.8和0.2，如果在计算之前就规定，加权平均值只有在不小于2时才有效，其余情况会强制等于0。
那对于上述示例，加权平均值的计算结果是1.8，按照上述规则，此时就会直接赋值为0。
感知机就是一种二元分类器：加权平均值超过一个阈值开关，就会强制赋1，相反则强制赋0。
在opencv的学习进程中，阈值处理的方法与此有很大的相似性：cv.THRESH_BINARY阈值处理的原则是，给定阈值开关，大于开关的像素点，对其BGR值强制赋最大值255，相反则赋0。相关文章的链接为：python学opencv|读取图像（三十四）阈值处理-彩色图像-CSDN博客
相应的，如果把对加权平均值的大小比较写成加法（加阈值开关的负数），可以获得数学表达式：
【4】神经元
神经元是一个生物学概念，为便于理解，这里主要概述。
典型的神经元结构包括：细胞体和细胞突起，细胞体理解为神经元的处理中枢，细胞突起包括树突和轴突。
（树突可以理解为沿着神经元细胞体的边缘衍生出的小突起，数量多，可能叫做径向突起更便于理解；轴突可以理解为从神经元细胞体伸出来的突起，这个突起只有一个，在轴突的末端，和其他神经元相互连接的部分叫做突触。把树突理解为径向突起纯粹是为了和轴向突起进行对比，没有实际意义，请谅解。）
神经元的状态主要有两种：兴奋和抑制。
树突把兴奋信号传给细胞体，轴突通过突触把兴奋信号从一个神经元传给另一个神经元。
【5】总结
神经元只有兴奋和抑制的工作模式很像一种二元法则，非此即彼。
基于此，神经元可以理解为一种生物意义上的感知机，而感知机是对加权平均值进行阈值判断的二元分类器。
