通过学习神经元的相关知识，编写一个线性神经元模型。

线性神经元，也称为感知机，是最基础的神经网络单元之一。它的工作原理类似于生物神经元，接收输入信号并通过加权求和的方式转换为输出。以下是创建一个简单的线性神经元模型的基本步骤：

1. **输入层**：假设我们有n个输入特征（例如x1, x2, ..., xn），每个特征都有对应的权重(w1, w2, ..., wn)。

2. **激活函数**：虽然线性神经元没有非线性激活函数，但在实际应用中我们通常会加上一个偏置项(b)并使用线性激活（f(x) = wx + b）。对于简单线性模型，激活函数通常是常数函数（f(x) = x）。

3. **计算过程**：
- 将输入向量乘以其权重矩阵，得到加权和（z = Σ wij * xi）。
- 加上偏置项（z = z + b）。
- 最终输出（y）就是这个加权和值，因为线性神经元的输出就是输入的线性组合。

4. **训练**：为了使神经元能够做出正确的预测，需要调整权重w和偏置b的值，这通常通过反向传播算法和梯度下降等优化方法来进行。

class LinearNeuron:
    def __init__(self, input_size, bias=True):
        self.weights = np.random.randn(input_size)
        if bias:
            self.bias = 0.1
        else:
            self.bias = None

    def forward(self, inputs):
        weighted_sum = np.dot(inputs, self.weights)
        if self.bias is not None:
            return weighted_sum + self.bias
        else:
            return weighted_sum

    def train(self, inputs, targets, learning_rate):
        # 省略了训练的具体实现，这里仅提供框架
        error = self.forward(inputs) - targets
        gradient_weights = np.dot(inputs.T, error)
        if self.bias is not None:
            gradient_bias = np.sum(error)
        self.weights -= learning_rate * gradient_weights
        if self.bias is not None:
            self.bias -= learning_rate * gradient_bias