吴恩达深度学习 —— 4.1 深层神经网络

什么是深度学习网络，我们已经学过了逻辑回归，并且见过了单隐层神经网络，下图是一个双隐层神经网络，以及一个五隐层的神经网络的例子。

我们说逻辑回归是一个浅层模型，浅层或是深层是一个程度的问题，要记住当我们数神经网络的层数的时候不能把输入层数进去，只算上隐层的数量和输出层，技术上来说逻辑回归模型是单层神经网络。

有些函数只有非常深层的神经网络能够学习，而浅一些的模型通常无法学习。

下图是一个4层的神经网络，隐层中的单元数目分别为五、五、三，然后还有一个输出单元。我们要用的符号是大写的L，该符号表示神经网络的层数，这里L的值为4，也就是神经网络的层数为4层。然后我们用$n^{[l]}$表示第$l$层上的单元数量。当我们把输入层标记为第0层。符号$a^{[l]}$表示第$l$层中的激活函数，符号$w^{[l]}$表示在$a^{[l]}$中计算$z^{[l]}$的权重，$z^{[l]}$方程里的$b^{[l]}$也一样。

最后总结一下符号约定，输入特征用$x$表示，$x$也是第0层的激活函数，那么$a^{[0]}=x$，最后一层的激活函数$a^{[l]}=\hat{y}$，也就是说$a^{[l]}$等于预测输出，