写在前面

今天学的大概就是单隐层神经网络，可是为什么要加一个隐藏层进行训练不是很明白。开始讲了一些notation，然后是如何计算神经网络的输出，每一层每个节点的计算，以及实现一个训练样本的向量化，从而推广到多个训练样本，其实都是举一反一，不过要注意的是写法，通常在一个矩阵中，竖向排列的通常是每个节点的数据，而横向排列的通常是训练样本。最后讲了不同层不同激活函数的优劣。

神经网络表示

• 中括号表示第几层，没什么特别好说明的，图已经很详细了

  
  屏幕快照 2018-02-19 下午11.17.49.png

计算神经网络输出

• 选sigmod函数作为激活函数，和单个神经元算法接近，同时，第一层的输出作为输出层的输入计算,以及向量化。如图：

  
  屏幕快照 2018-02-19 下午11.19.38.png

多个样本中的向量化（略）

激活函数

(附markdown格式注意事项：短横线必须和表头字母个数相同，空格数也要相同）