上一节中我们介绍了神经网络的输入，即如何将图片输入到神经网络中去。那么神经网络是如何根据这些数据进行预测的呢？也就是我们将一张图片输入到神经网络之后，神经网络是如何预测这张图中是否有猫的呢？
这个预测的过程其实可以看作是基于一个简单的公式：z = dot(w,x) + b。这个公式中的x代表输入的特征向量，假设特征向量有3个特征，那么x就可以用（x1，x2，x3）来表示。w表示权重，它对应于每个输入的特征，可以认为代表了每个特征的重要程度。b表示偏差，是调整神经元被**的容易程度。
公式中的dot()函数表示将w和x进行向量相乘。我们现在只需要知道上面的公式展开后就变成了Y = (x1 * w1 + x2 * w2 + x3 * w3) + b。
下面举个例子来帮助理解下。
假设周末一部新的电影上映了，我们要预测你是否会去看。电影院里的远近，陪女朋友逛街的意愿大小，电影女主角盖尔加朵的魅力指数。这相当于有3个因素会影响你的决定，这3个因素就是输入的3个特征。
那你到底会不会去看呢？你的个人喜好，也就是对上面3个因素的重视程度会影响你的决定。这3个重视程度就是3个权重。
假如你觉得电影院的远近不是问题，并且不太想陪女朋友逛街，而且你特别喜欢盖尔加朵，那么我们将预测你会去看电影。这个预测过程我们用上面的公式来表示。
首先，我们假设结果Y大于0时就表示会去，小于0表示不去。偏置值设为-6。输入的样本的三个特征（x1，x2，x3）为（1，0，1），三个权重(w1,w2,w3)是(1,6,8）。那么，就会有Y=(x1 * w1 + x2 * w2 + x3 * w3) + b = (1 * 1 + 0 * 6 + 1 * 8) + (-6) = 3。预测结果Y是3，大于0，所以预测你会去看电影。
如果你最近女朋友有点闹小情绪，非常需要你陪她逛街缓解下情绪。此时你可能特别重视第二因素，那么我们预测你将不会去看电影。这同样可以用公式来表示。此时的三个权重(w1,w2,w3)是(1,6,3）。那么就会有Y=(x1 * w1 + x2 * w2 + x3 * w3) + b = (1 * 1 + 0 * 6 + 1 * 3) + (-6) = -2。预测结果是-2，小于0，所以你不会去看电影。
实际运用中的神经网络会是有很多层，许多个神经元组成，计算和预测过程的本质和咱们上面说的并没有什么不同，只是更加复杂和难理解而已。
另外，在神经网络中会用到**函数，这个我们在后续的章节中会进行详细介绍。在这里，你只需要记住**函数可以让你的神经网络进行更复杂的计算，进行更智能的预测。
欢迎关注我的微信订阅号，上面有更多机器学习相关的文章。
