一个神经元算的是 σ(w·x + b)。这一页把三样东西拆开看：激活函数 σ 是一个写死的形状；w 决定这个形状多陡、朝哪边；b 决定它在哪里“开关”。
相关页面：《神经网络如何逼近任何函数》《多层神经网络是怎么来的》
激活函数 σ 是灯的类型：有的是渐亮的调光灯（sigmoid），有的是只在有人时才亮、越靠近越亮的灯（ReLU）。类型出厂就定了，用的时候不能改。
b 是门槛：人走到哪里灯开始亮。w 是灵敏度：一靠近就全亮（w 大），还是慢慢亮起来（w 小）；w 为负，就变成“越靠近越暗”。
横轴是神经元算出来的 z（也就是 w·x + b），纵轴是输出。小圆点在曲线上来回走，演示“输入 z，吐出多少”。
注意看公式：里面只有 z，以及 e、π、0.044715 这样写死的常数，没有任何要训练的数。所以激活函数不算模型参数；训练调的只有每个神经元的 w 和 b。
同一个 sigmoid，看 w、b 分别动起来时曲线怎么变。横轴现在是神经元的输入 x。
选一个激活函数，拖动 w、b，看曲线和“开关点”怎么动；拖动 x，看一个具体的输入是怎么一步步算出输出的。可以试着做到：开关点落在 x = 1，而且切换得很急。
放在 σ 里面的 b 只会把曲线左右挪，决定开关点在哪。曲线的高度由激活函数本身（sigmoid 最高 1）和下一层的权重决定。
w 还管方向（负数会把曲线左右翻转），也会影响开关点：开关点在 x = −b/w，b 不变时改 w，开关点也会跟着动（除非 b = 0）。
sigmoid、tanh、ReLU、GELU 都是写死的公式，训练时不变。要学的只有 w 和 b。（少数变体如 PReLU 例外，主流大模型基本不用。）
一句话：激活函数是一个写死的形状；w 把它拉陡、压缓或翻转，b 把它左右挪，开关点在 x = −b/w。训练调的只有 w 和 b。
每题作答后马上看到解析；点「重做练习」清空重来。