对于神经网络的计算我们通常使用向量化计算。一般来说，把input层当作第0层，隐层和输出层作为真正的层。
对于纵向排列的神经元，我们把它看作为一个列向量，一般4*3的矩阵，4就代表神经元个数，3就代表前面输入了几个feature。
对于m个训练样本，就要把每个x单个样本当作一个列组成一组列向量，注意写法，要把权重矩阵写在前面点乘X。
对于每个矩阵，横向上保持是每个样本，纵向上保持每个特征。这些值得是X，Z和A
对于神经网络的计算我们通常使用向量化计算。一般来说，把input层当作第0层，隐层和输出层作为真正的层。
对于纵向排列的神经元，我们把它看作为一个列向量，一般4*3的矩阵，4就代表神经元个数，3就代表前面输入了几个feature。
对于m个训练样本，就要把每个x单个样本当作一个列组成一组列向量，注意写法，要把权重矩阵写在前面点乘X。
对于每个矩阵，横向上保持是每个样本，纵向上保持每个特征。这些值得是X，Z和A
本文标题：神经网络和深度学习-3.1神经网络结构
本文链接：https://www.haomeiwen.com/subject/tizhtqtx.html
网友评论