重新审视一下所谓的逻辑反应，它的实质并不复杂，可以通过这张图来详细解释。在之前的讲述中，我们已经提到过，它其实就是今天要介绍的网络中的元。那么它具体做了什么呢？左边展示的是一个数值，在这里，这个数值被视作一条项链，它是一条带有i的特征的项链。
通过一种简单的方法，那就是运用线性模型。这个线性模型在我们讲解线性回归时已经介绍过。它将x项量转化为像z这样的实数值。这种转换方式非常直观，每一个特征都会被赋予一个权重，然后将这些权重加总起来，再加上一个偏置项，最终得到实数z。
在预测任务中，我们可以使用z作为预测值来训练模型，寻找一组最优的参数。而在二分类任务的分类过程中，我们需要将z转换成一个概率值，即介于零和一之间的概率值。这里所使用的函数就是所谓的非线性变换，它被称为Sigmal函数，有时也称作逻辑函数。
这个函数的形状呈现出一种特殊的形式，即一分之一加上z的负方。当z等于零时，函数的值是二分之一，即零点五。而当z值逐渐增大时，e的负z方会趋近于零，函数值则趋近于一。当z趋向于负无穷大时，其负方分之一将趋近于正无穷大，但因分母的存在，其整体输出仍保持在零到一之间，因此它被用作输出所谓的概率值。
在网络中，最基本的概念就是包含大量的元。这些元是对之前反应的优化。稍后我们将详细讨论这一概念。通过构建更多的元，网络能够实现更为复杂的能力和功能，使它能够解决更为复杂的任务。