1.1 感知机

    你可以把感知机（Perceptron）通俗理解为一个函数，向函数输入变量，函数会输出。哪函数是如何做到的呢？很简单，我们为每个分配一个权重，根据大于或小于阈值，输出不同的结果。其公式如下：

我们设：阈值，则上式可以简化一下：

通俗解释下：一个女生选男票，代表身高，代表性格，代表长相。如果女生更青睐性格好的男生，那么对应的取值就会大，不在乎长相，那么对应的取值就会小。同时衡量了女生想谈恋爱的程度，越大说明女生越渴望恋爱。反之亦然。

1.2 S型神经元

    我们对上面的，做一下处理有：，其中为：，也叫sigmoid function。于是有：

你可能会问我，为什么要这样做？因为sigmoid function 可以将的结果压缩到，，。并且sigmoid function 是一个可导函数，我们可以用导数进一步研究输出值与之间的关系。

1.3 神经网络的架构

其中hidden layer中每一个圈都代表一个S型神经元。这样的一个神经网络中我们有输入值和输出值。我们希望有⼀个算法，能让我们找到(m为上图中的箭头数）和（k为hidden layer，output layer神经元个数），以⾄于⽹络的输出 能够拟合所有的训练输⼊ 。为了量化我们如何实现这个⽬标，我们定义⼀个代价函数 ：

其中a表示预测值

我们的目标很明确就是寻找对应所有输入使函数取最小值时的。

1.4梯度下降法

    分析一下上面的函数（loss function）：是输入模型的所有样本，为对应的标签，两者都是不变的。所以的大小只与有关。于是便想：我们可不可以逐步探索，调整使的取值越来越小？于是有了梯度下降法（Gradient descent）。

对于一个函数，梯度下降的主要思想：

1.初始化。

2.不断改变的值，使不断减小至最小值。

梯度下降的过程如图所示：

现在你可能会说：鬼知道应该怎么调整会使变小。这时我们便要使用微积分工具了：

我们要使变小，即。于是有。我们取，，。

带入上式于是有。好了我们只要按照以下规则更新。就会使变小。

。

重复上述过程，直到的保持稳定。注意：的值要同时更新，切记不要求一次导更新一次！

2.1