1.3.1 【Deep Learning翻译系列】Neural Network Overview神经网络概览

上图是一个神经网络。神经网络中每个的节点对应于的两个步骤：
首先计算 $z=w^{T}x+b$ ，然后计算 $a=\sigma (z)$ ，如下图所示。

它的计算图如下所示：

首先输入 $x,W^{[1]},b^{[1]}$ ，来计算 $z^{[1]}$ ，然后与对数几率回归类似，使其通过 $\sigma$ 函数得到 $a^{[1]}$ 。然后使用另一个线性函数计算 $z^{[2]}$ ，然后再用相似的方式计算 $a^{[2]}$ 。在神经网络中，也使用类似的反向计算方式得到各个参数的梯度。

下图是一个单隐层神经网络的照片。
将 $x_1,x_2,x_3$ 堆叠并输入的层被称为是神经网络的输入层。
中间一层包括很多圆形圈圈的层，被称为神经网络的隐藏层。
最后一层只有一个节点，被称为输出层，负责生成预测值 $\hat{y}$ 。

在神经网络中，监督式学习的练集包含输入 $x$ 的值以及所述目标调整输出 $y$ 。
所以隐含层这个术语指的是，在训练集中这些因素的真值没有被观察到，而只看到了输入输出。
使用矢量 $X$ 来表示输入的特征和，并令 $a^{[0]}=X$ 。

$a$ 代表着激活的意思，它指的是神经网络的不同的层中会被传递到随后的层的值。
所以输入层传递值 $X$ 到隐藏层，所以这里被称为第0个隐藏层。
下一层，隐层又会产生激活，写为 $a^{[1]}$ ，在这个图中它是一个四维向量，
之后是输出层的 $a^{[2]}$ ，它会是一个实数，并且 $\hat{y}$ 采用这个数值 $a^{[2]}$ 。

关于神经网络符号约定一个有趣的事情是：这个网络被称为两层神经网络。
其原因是，当我们在计算神经网络层， 我们不计算输入层。
所以图中隐层是第一层，输出层是第二层。
常规的用法中，一般将这个神经网络认为是两层的神经网络，因为不希望输入层作为正式层。

最后，隐藏层和输出层将具有与它们相关联的参数。 所以隐层将有与它相关的参数 $W^{[1]}$ 和 $b^{[1]}$ 。
$W^{[1]}$ 是一个4×3矩阵， $b^{[1]}$ 是4×1向量。因为这个隐藏层有四个节点，并有三个输入。
输出层也有某些参数与之相关联，也 $W^{[2]}$ 和 $b^{[2]}$ 。它们的尺寸是是由 1×4 和 1×1 。
因为隐藏层具有四个隐藏单元， 输出层只有一个单元。