一个样本走进隐藏层

模型看到的不是日期，是 12 个数字。下面是原始值和标准化（z-score，减均值除标准差）之后的值。

均值和标准差来自训练集：μ = 617.32，σ = 570.95。 标准化后的值才是模型真正看到的输入。

这就是隐藏层的全部内容。16 个神经元，每个神经元对 12 个输入各有一个权重，共 192 个数字。行是输入时刻，列是神经元编号，颜色深浅表示权重绝对值。 鼠标悬停可以看到精确数值。

加上 16 个偏置 b₁，隐藏层一共 192 + 16 = 208 个参数。输出层再有 16 个权重加 1 个偏置，总共 225 个。

每个神经元先对自己那一列的 12 个权重和输入做加权求和，得到 z₁； 再过 ReLU（修正线性单元，max(0, z₁)）得到 h₁。 z₁ 为负的神经元输出被压成 0，等于这个样本上它没有参与决策。

n10 是这一样本里输出绝对值最大的神经元。它的算法就是「12 个乘积求和，再加偏置」， 和线性模型一模一样——区别只在于最后过了一道 ReLU。

09:00（1790 辆/小时）和 17:00（661 辆/小时）对它的贡献较大。 这些权重是训练过程中自己学出来的，没有人指定它应该关注哪个时刻。

只有激活的神经元有输出，其余是 0。所以实际参与最后的加权的只有这 4 个。

真实值是 242 辆/小时，预测 287， 差 45 辆。

同一组 z₁，过 ReLU 前后对比。上半部分是 z₁，下半部分是 h₁：

手写版（numpy）：

# 前向：12 维 → 16 维 → 1 维
z1 = X @ W1 + b1          # (m, 16)  这张表就是上面那个热力图
h1 = np.maximum(0.0, z1)  # (m, 16)  ReLU
pred = h1 @ W2 + b2       # (m, 1)   合成输出

框架版（PyTorch）等价写法：

self.fc1 = nn.Linear(12, 16)   # 对应 W1, b1
self.act = nn.ReLU()           # 对应 np.maximum(0, z1)
self.fc2 = nn.Linear(16, 1)    # 对应 W2, b2

所以「隐藏层」不是一个抽象概念：它就是一张 12×16 的权重表、一个 16 维偏置向量， 加一道 max(0, ·)。这个样本走完一遍，就是 12×16 = 192 次乘法加 16 次比较。