线性回归总是与激活函数、层之间的权重和网络结构相关联。层之间的权重是$\theta_0$和$\theta_1$. 这些权重和输入特征经过点积运算，然后作为下一层节点激活函数的输入。

一个明显不同但相同的用法$\theta_0$和$\theta_1$是作为一个或多个项的系数，这些项本身是输入向量的组合。

宽广地，$\theta_i$表示权重，即您希望对某个功能给予多少偏好。

如上所述，它们是您的假设函数的权重，在训练期间会发生变化以最小化您的错误函数。您可以将它们视为基本代数中的斜率和 y 截距。但是，线性回归假设函数可以由更多的权重项参数化，而不仅仅是 theta_0 和 theta_1。

我在这篇文章中详细介绍了这个过程：激活函数的导数如何测量神经网络中的错误率？

线性回归所做的预测可以简单地认为是向量点积。

$$\overrightarrow{x}^T \cdot \overrightarrow{y}$$

这两个向量之一是一种情况的“数据”（如数据矩阵中的一行），另一个是模型参数的向量，通常称为$\overrightarrow{\theta}$或者$\overrightarrow{\beta}$.

所以在你展示的情况下，我们有：

$$h(x) = \theta_0 + \theta_1 \cdot x$$

通常我们会在数据矩阵的开头添加一行 1，这样我们在某种意义上是一致的$\theta_0 = 1 \cdot \theta_0$

这样我们就可以得出：

$$h(x) = \overrightarrow{\theta}^T \cdot \overrightarrow{x}$$