Stanford机器学习---第七讲. 神经网络的学习 Neural Networks learning

==================Cost Function===============

1.一些基本符号

2.COST函数

================Backpropagation Algorithm=============

1.要计算的东西

2.向前传递向量图，但为了计算上图的偏导，要用到后向传递算法

3.后向传递算法

4.小题目

==============Backpropagation Intuition==============

1.前向计算与后向计算很类似

2.仅考虑一个例子，COST函数化简

3.倒着算theta

=======Implementation Note: Unrolling Parameters======= 

1.参数的展开

2.学习算法

============Gradient Checking====================

1.梯度的数字计算

2.所有的梯度的近似计算

3.回退计算而不是梯度计算的本质原因

4.实现注意点

============Random Initialization=============

1.zero initial 对神经网络不适合

2.随机对称初始化

==========Putting It Together==============

1.隐含层越多，则计算量越大。隐含层节点相同比较好。

2.训练神经网络的步骤，其实跟回归很像。关键是用后退算偏导。