GLM（广义线性模型）在某种意义上是“通用的”，即它们可以对线性组合的结果使用任何类型的变换。所以 GLM 不必具有的形式。它们只有的形式，其中几乎是任何单调且可微的函数（链接函数）。将线性组合的结果转换为指数族分布的平均值。该族还包含伯努利分布，对于该分布，链接函数为（逆逻辑函数）。因此，有时在人工网络的神经元中使用的 sigmoid 函数实际上确实将该神经元变成了 GLM。$y=e^{\theta^T*x}$$y=f(\theta^T*x)$$f$$f$$f(z)=\frac{1}{1+e^{-z}}$

关于如何在人工神经网络中处理计数数据（我假设为输入）的问题：首先尝试按原样输入数据。链接函数转换输出，不转换输入。您是对的，GLM 可用于分析计数数据（通常通过基于泊松的链接函数），但在这种情况下，计数数据是 GLM 拟合的输出。

只有当您的网络学习不好时，您才可以考虑转换输入数据的其他方法。NN 通常可以很好地处理转换输入数据。毕竟，它们是通用函数逼近器。但在某些情况下，他们可以借助一些帮助来找到正确的转换，并且如果给出适当转换的数据，他们可能会学得更快。