一層網絡實際上是一個線性函數，即權重W與輸入x相乘（偏置項包含其中）
當我們增加一層，變爲兩層神經網絡
這裏的max是將第一層負數結果置爲0
用權重W2乘第一層結果
當我們擴展到三層即更多層，也是類似
那麼我們不使用max可以嗎？
我們看到，如果沒有max，W1 W2 可以合成一個大的W3，最後還是一個線性分類，沒有實質性改變
所以，這裏的max是不可去掉的，而這裏的max，被稱作激活函數
激活函數：
我們看到激活函數有很多種，也可以自己定義，我們上面使用的max，就是ReLu，也是在默認情況下效果較好的
激活函數給模型引入了非線性因素，使得深層神經網絡有了意義