深度学习符号指南

上图是一个四层的神经网络，有三个隐藏层。我们可以看到，第一层（即左边数过去第二层，因为输入层是第0层）有5个神经元数目，第二层5个，第三层3个。

我们用L表示层数，上图：L=4，输入层的索引为“0”，第一个隐藏层n^([1])=5,表示有5个隐藏神经元，同理n^([2])=5，n^([3])=3，n^([4])=n^([L])=1（输出单元为1）。而输入层，n^([0])=n_x=3。
在不同层所拥有的神经元的数目，对于每层l都用a^([l])来记作l层激活后结果，我们会在后面看到在正向传播时，最终能你会计算出a^([l])。
通过用激活函数 g 计算z^([l])，激活函数也被索引为层数l，然后我们用w^([l])来记作在l层计算z^([l])值的权重。类似的，z^([l])里的方程b^([l])也一样。
最后总结下符号约定：
输入的特征记作x，但是x同样也是0层的激活函数，所以x=a^([0])。
最后一层的激活函数，所以a^([L])是等于这个神经网络所预测的输出结果。
但是如果你忘记了某些符号的意义，请看笔记最后的附件：《深度学习符号指南》。