偏置值允许将激活函数向左或向右移位，这可能是成功学习的关键。
下面用示例讲解：
假设一个只有一个输入，一个输出的神经元（对，没有偏置），
神经元的输出就是sigmoid(w0*x),下图是w0取不同值时的结果图，
改变w0的值就是改变sigmoid函数的陡峭程度，如果想让x=2时，输出值为0，只改变wo的不同取值是无济于事的，你需要把曲线往右移动。我们加入偏置，如下图：
此时神经元的输出值即为sig(w0*x + w1*1.0)。
不同的wo对应的图像如图所示：
可以看出，当wo等于-5时，x=2时，输出值大致为0.
所以，偏置的存在是为了更好的拟合数据。
参考链接：神经网络中偏置的作用