全连接神经网络中神经元

全连接神经网络（Fully Connected Neural Network, FCNN）是一种深度学习的基本模型，其中每一层的神经元都与下一层的所有神经元相连，形成一种无限制的信息传递结构。这种网络中的每个神经元执行以下功能：

1. **接收输入**：每个神经元接收到来自前一层所有神经元的加权信号，这些权重是学习过程中根据训练数据自动调整的参数。

2. **计算激活**：输入信号经过一个非线性的激活函数处理，比如sigmoid、ReLU或tanh等，目的是引入非线性，使模型能够解决复杂的问题并提高拟合能力。

3. **加权求和**：对于每一个输入节点，会有一个对应的权重值，这个值乘以输入后相加以得到该神经元的总输入。

4. **偏差项**：除了输入信号，还可能有一个固定的偏置项，用于提供可变的基线输出。

5. **输出**：经过上述步骤处理后，神经元产生一个单一的输出，作为其对输入信息的响应。

6. **反向传播**：在训练过程中，全连接神经网络通过反向传播算法更新权重和偏置，以最小化损失函数，优化整个网络的性能。

相关问题--
1. 全连接神经网络的特点是什么？
2. 为什么要使用非线性激活函数？
3. 在训练全连接网络时，如何更新权重和偏置？