本文主要是介绍【神经网络基础】第二课--浅层神经网络，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
课程来源：吴恩达 深度学习课程 《神经网络基础》
笔记整理：王小草
时间：2018年5月15日
1.神经网络概览
回顾逻辑回归的结构：
圆圈节点内的计算如下，先计算线性z，再过一个sigmoid函数得到a，然后计算损失函数，进行梯度下降法求最优参数。
推广到神经网络,每个圆圈节点都代表以上z，a两步计算（第一层用1表示，第而层用2表示）
相当于如下计算过程：
同样使用反向传播可以计算出梯度，并寻找最优参数
2.神经网络表示
以上神经网络，第一层是输入层，第二层是隐藏层，第三层是输出层。因此这是一个两层的神经网络（一般我们不算输入层）。
输入层：
用a[i]表示第i层的计算结果，也就是第i+1层的输入。因此输入层传递给隐藏层的数据，就是输入x本身，即a[0] = x
隐藏层：
第一个隐藏层的计算结果用a[1]表示，由于隐藏层中有4个节点（神经元），每个节点的计算结果可以用a1j表示：
即a[1]可以表示成：
输出层：
输出层表示为a[2],即为最终的输出y^
3.神经网络输出
神经网络到底最后会计算出什么鬼？
每个神经元的计算如下：
隐藏层计算：
那么整个神经网络其实就是在重复以上过程的叠加。首先看隐藏层的四个节点，每个节点都先计算z，a:
这篇关于【神经网络基础】第二课--浅层神经网络的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
