參考文章
https://www.analyticsvidhya.com/blog/2016/03/introduction-deep-learning-fundamentals-neural-networks/?spm=5176.100239.blogcont117233.10.n2UTWC

概念那些就不解釋了，Google一下就有很多資料。

單一神經元節點如何工作

X₁, X₂, ...X_n是這個神經元的輸入，
X₀時偏移量
W₁,W₂...W_n代表權重
從輸入資料X₁, X₂, ...X_n產生的輸出資料a的表示式是：

f是一個啟用函式，可以是高斯函式，雙曲函式，也可以是簡單的線性函式
在這篇文章中，我用以下的啟用函式：

使用單一節點實現布林運算

布林運算包括與，或，非，異或等等……

與運算：

另X₀ = -1.5；輸出a = f(-1.5 + X₁ + X₂)；得到真值表：

X1	X2	X1 & X2	-1.5 + X1 + X2	a
1	1	1	0.5	1
1	0	0	-0.5	0
0	1	0	-0.5	0
0	0	0	-1.5	0

這樣就用一個神經元節點成功地實現了與運算。注意，X₀可以是[-2, -1)之間的任何數。

或運算：

另X₀ = -0.5；輸出a = f(-0.5 + X₁ + X₂)；得到真值表：

X1	X2	X1 & X2	-0.5 + X1 + X2	a
1	1	1	1.5	1
1	0	0	0.5	1
0	1	0	0.5	1
0	0	0	-0.5	0

同樣，用單一神經元節點成功實現了或運算。

非運算：

另X₀ = 0；輸出a = f(1- 2X₁)；得到真值表：

X1	！X1	1- 2X1	a
1	0	-1	0
0	1	1	1

同樣，用單一神經元節點成功實現了非運算。

使用多個神經元節點實現同或門

同或門XNOR又稱異或非門，異或是指相同為0，不同為1，XNOR恰好相反
實現證明一個神經元節點不能實現同或門：
可以證明：
A XNOR B = NOT （A XOR B）
= NOT [ (A or B) and (!A OR !B) ]
= !(A OR B) OR !(!A OR !B)
=(!A and !B) OR (A and B)
利用表示式a = f(0.5-X₁-X₂)可以表示(!A and !B)；
因此，用一個神經元節點表示(!A and !B)，用另一個神經元節點表示(A and B)，最後將這兩個神經元節點做或運算就可以表示XNOR，如圖所示：

a₁: !A and !B
a₂: A and B
a₃: a₁ or a₂