Andrew NG 《machine learning》week 4,class2 —Neural Network

Andrew NG 《machine learning》week 4,class2 —Neural Network

本节将讲述神经网络算法的算法模型。

2.1 Model Representation I

如下图所示，这是一个逻辑单元的神经网络的模型。

如上图所示，图中的X0是一个偏置值，一般情况下为1，此时可以不写出，当不为1 的时候写出。同时，这是一个逻辑回归的神经网络模型，所以其中的h(x)对应于逻辑回归函数的表达式。
下图展示的是具有多层的神经网络：

上图展示了一个三层的神经网络，中间层一般都会叫做隐藏层（hidden layer）,第一层是输入层（input layer）,最后一层是输出层（output layer）。隐藏层的上标表示这是第几层。
下图具体解释了神经网络的一些参数问题。对于参数threaj 表示的是从j层到j+1层的参数 。这个参数矩阵的维数是S(j+1) X (S(j) +1),其中S(j)代表第j 层的有多少个特征参数。

2.1 Model Representation II

上一节是讲述了用数学的方法表示神经网络的模型，本节将讲述怎样进行高效的计算以及一个向量化的实现方法。

如上图所示，是神经网络的向量化表示方法，把第一层的X激励输入用a(1)来表示。那么就可以把g(….)，括号里面的表达式用向量的形式表示出来了。如上图的右半部分一样。

上图所示是将神经网络拆分为一个逻辑回归函数，前一层的输出变成了后一个逻辑回归单元的输入。因此神经网络是很多逻辑回归单元的结合。

接下来将列出具体的例子解释神经网络怎样计算非线性输入。