對於一個給定的感知器來說，它的權重和閾值也是給定的，代表一種決策策略。因此，我們可以透過調整權重和閾值來改變這個策略。
關於閾值td，這裡需要指出的一點是，為了表達更方便，一般用它的相反數來表達：b=td，這裡的b被稱為偏置（bias）。
這樣，前面計算輸出的規則就修改為：如果w1x1 + w2x2 + w3x3 +...+ b > 0，則輸出output=1，否則輸出output=0。
而權重w1=w2=2，則b=3。
很明顯，只有當x1=x2=1的時候，output=0，因為(?2*1+(?2*1+3=?1，小於0。而其它輸入的情況下，都是output=1。
所以在實際情況下，這其實是一個“與非門”！
在電腦科學中，與非門是所有門部件中比較特殊的一個，它可以透過組合的方式表達任何其它的門部件。這被稱為與非門的普適性(Gate Universality。
既然感知器能夠透過設定恰當的權重和偏置引數，來表達一個與非門，那麼理論上它也就能表達任意其它的門部件。
因此，感知器也能夠像前面三體中的例子一樣，透過彼此連線從而組成一個計算機系統。
但這似乎沒有什麼值得驚喜的，我們已經有現成的計算機了，這只不過是讓事情複雜化了而已。
單個感知器能做的事情很有限。要做複雜的決策，所以則是需要將多個感知器連線起來。
而實際中的網路可能會有上萬個，甚至數十萬個引數，如果手工一個一個地去配置這些引數，恐怕這項任務永遠也完成不了了。
而神經網路最有特色的地方就在於這裡。
我們不是為網路指定所有引數，而是提供訓練資料，讓網路自己在訓練中去學習，在學習過程中為所有引數找到最恰當的值。
大體的運轉思路是這樣：我們告訴網路當輸入是某個值的時候，我們期望的輸出是什麼，這樣的每一份訓練資料，稱為訓練樣本（training&nple）。
這個過程相當於老師在教學生某個抽象的知識的時候，舉一個具體例子：
一般來說，我們舉的例子越多，就越能表達那個抽象的知識。這在神經網路的訓練中同樣成立。
我們可以向網路灌入成千上萬個訓練樣本，然後網路就自動從這些樣本中總結出那份隱藏在背後的抽象的知識。
這份知識的體現，就在於網路的所有權重和偏置引數的取值。
假設各個引數有一個初始值，當我們輸入一個訓練樣本的時候，它會根據當前引數值計算出唯一的一個實際輸出值。
這個值可能跟我們期望的輸出值不一樣。想象一下，這時候，我們可以試著調整某些引數的值，讓實際輸出值和期望輸出值儘量接近。
當所有的訓練樣本輸入完畢之後，網路引數也調整到了最佳值，這時每一次的實際輸出值和期望輸出值已經無限接近，這樣訓練過程就結束了。
假設在訓練過程中，網路已經對數萬個樣本能夠給出正確（或接近正確）的反應了，那麼再給它輸入一個它沒見過的資料，它也應該有很大機率給出我們預期的決策。這就是一個神經網路工作的原理。