超级简单！吴恩达deeplearning.ai：神经网络中的网络层

今天这一节我们主要学习如何构建一层神经元，这是把构建模块组成神经网络的第一步。
让我们先看看神经网络层如何工作吧。

---

网络层

这是一个简单的神经网络，一点未了解的可以看我的这个博客中的内容，该神经网络将特征向量传入到隐藏层之中（该隐藏层含有三个神经元），从而获得了激活值，并将其传入仅仅含有一个神经元的输出层中，最终获得想要的值。

先看看隐藏层

让我们把隐藏层放大，来看看它的计算：

这里，我们还是类似使用上一节中使用到的例子，传入一个拥有四个特征的向量作为起始向量(这里是[197,184,136,214]),然后我们依次看看各个神经元，例如第一个神经元，其激活函数为：
$$\begin{gathered} a_1=g(w_1\cdot x+b_1) \\ g(z)=\frac{1}{1+e^{-(z)}} \end{gathered}$$
类似的，可以写出a2，a3：
$$\begin{gathered} a_2=g(w_2\cdot x+b_2) \\ g(z)=\frac{1}{1+e^{-(z)}} \end{gathered}$$
$$\begin{gathered} a_3=g(w_3\cdot x+b_3) \\ g(z)=\frac{1}{1+e^{-(z)}} \end{gathered}$$
那么根据公式，a1，a2，a3一定可以算出来指定的值，例如图中所给的，[0.3,0.7,0.2],那么只需要将这个激活值传给最终输出层，就可以得到最终的预测结果。

再给几个定义

再回到这张图：

我们一般可以把拥有特征向量的输入层叫做第零层，然后类似图中第一个隐藏层叫做第一层，层数依次往后增加，那么按照这个道理，我们可以知道紫色的最终输出层就是第二层。
第零层，第一层，第二层用符号[0],[1],[2]来表示，写在对应符号的右上角，具体可以参考上图。

最终输出层

我们再放大看看最终输出层：

我们将隐藏层得到的激活值传入最终输出层，根据相应的公式(这里应用下刚刚提到的层数表示方法）
$$\begin{gathered} a_1^{[2]}=g(w_1^{[2]}\cdot x+b_1^{[2]}) \\ g(z)=\frac{1}{1+e^{-(z)}} \end{gathered}$$
那么就可以得到最终的答案是0.84

可选步骤

当然，如果你想要的最终结果是个布尔值的话，你可以加一个判断语句，如果概率>=0.5，则最终输出为1，否则为0。