最经典的神经元模型，从左到右依次是：输入、权重、加权和、阈值、输出。加权和又叫做 Net Input，符号为 z，当 z 的值大于阈值时输出 1，小于阈值时输出 0。
实现与门和或门，权重为 1，阈值分别为 1.5 和 0.5 即可。
用偏置 b 代替负阈值，此时的加权和 z 就变成了
w
T
x
+
b
{w^T}x + b
wTx+b，新的阈值就是 0 了。
更进一步的，可以将偏置看作是输入 1 时对应的权重，这样做的好处是可以写成向量内积的形式，有利于数学表达。但是，实际常用的还是
w
T
x
+
b
{w^T}x + b
wTx+b，因为前面那种形式需要改变输入向量，操作上就是创建一个新的副本，比较麻烦。后者的话通过广播机制就能实现加 b 的操作，比较简单。
计算两个向量的内积，Python 的 for 循环是最慢的，其次是列表推导式，最快的是 Numpy 的点积 dot 函数，因为 Numpy 支持并行计算。
