tensor
operation(返回结果tensor)
在S型神经元中，和感知器神经元的区别在于：
对于结果值z的转换，采用的不是sign函数进行转换，是采用平滑类型的函数进行转
换，让输出的结果值y最终是一个连续的，S型神经元转指使用的是sigmoid函数。
激活函数的主要作用是提供网络的非线性建模能力。只有加入了激活函数之后，深度神经网络才具备了分层的非线性映射学习能力。 激活函数的主要特性是：可微性、单调性、输
出值的范围；
常见的激活函数：Sign函数、Sigmoid函数、Tanh函数、ReLU函数、P-ReLU函数、Leaky-ReLU函数、ELU函数、Maxout函数等
神经网络主要由三个组成部分，第一个是架构（architecture）或称为拓扑结构（topology），描述神经元的层次与连接神经元的结构。第二个组成部分是神经网络使用的激励/激活函数。第三个组成部分是找出最优权重值的学习算法。神经网络主要分为两种类型，前馈神经网络(Feedforward Neural Networks)是最常用的神经网络类型，一般定义为有向无环图，信号只能沿着最终输出的那个方向传播。另外一个是反馈神经网络(Feedback Neural Networks)，也称为递归神经网络(Recurent Neural Networks)，也就是网络中环。
上面这些不用深度学习也能做，只是深度学习降低了难度。
感知器、S型神经元、神经网络
第一个模拟算法;
