2020-5-11 吴恩达-NN&DL-w4 深层NN(4.1 深层神经网络-含符号约定，4.2 深层网络中的前向传播)

1.视频网站：mooc慕课https://mooc.study.163.com/university/deeplearning_ai#/c
2.详细笔记网站(中文)：http://www.ai-start.com/dl2017/
3.github课件+作业+答案：https://github.com/stormstone/deeplearning.ai

4.1 深层神经网络 Deep L-layer Neural network

前面的学习中我们了解了逻辑回归和向量化，单隐层NN中的正向传播和反向传播，为什么要随机初始化权重，这些都是实现深度NN的基本理念。

本周的目标就是实现深度NN模型。

先来观察下面几个图。

上图左边是逻辑回归模型，右边是单隐藏NN。

上图是一个双隐层的NN。

上图是一个5隐层的NN。

第一个逻辑回归的模型，从技术层面上说，是单层NN，我们称之为“浅层”。而最后一个5隐层NN称之为“深层”。深层或者浅层是一个程度问题。

有些函数只有非常深的NN可以学习。尽管对于任何给定的问题很难去提前预测到底需要多深的神经网络，我们可以先去尝试逻辑回归一层NN，然后两层NN(含一个隐层)，依次增加隐藏层数，把隐藏层的数量看做是另一个可以自由选择大小的超参数，再在保留的交叉验证数据上评估，或者用你的开发集来评估。

符号约定

上图是一个含3隐层和1个输出层的4层NN。从左往右，隐层中单元数量是5，5，3。

• 我们用L表示层数，L=4。
• 用n^[i]表示第i层的节点数，第一层n^[1]=5，第二层n^[2]=5，第三层n^[3]=3，第四层n^[4]=n^[L]=1。
• 输入层n^[0]=3。
• 用a^[i]表示第i层的激活函数，a^[i]=g^[i](z^[i])
• 输入特征x是第0层的激活函数，x=a^[0]
• 预测值$\hat{y}$=a^[L]
• 用w^[i]表示第i层计算z^[i]的权重值
• 用b^[i]表示第i层计算z^[i]的偏置值

4.2 深层网络中的前向传播 Forward Propagation in a Deep Network

本节将介绍如何在深层NN中应用前向传播和反向传播。

我们先来看一个训练样本x的情况，如何计算第一层的激活单元。

$z^{[1]}=W^{[1]}x+b^{[1]}=W^{[1]}{a}^{[0]}+b^{[1]}$，其中$W^{[1]}$和$b^{[1]}$是影响第一层激活单元的参数。特征向量x也是第0层的激活单元，即$x=a^{[0]}$。
$a^{[1]}=g^{[1]}(z^{[1]})$，这个是作用于$z^{[1]}$的激活函数

第二层计算如下

$z^{[2]}=W^{[2]}{a}^{[1]}+b^{[2]}$
$a^{[2]}=g^{[2]}(z^{[2]})$，这个是作用于$z^{[2]}$的激活函数

后面几层依次类推，直到输出层

$z^{[4]}=W^{[4]}{a}^{[3]}+b^{[4]}$
$a^{[4]}=g^{[4]}(z^{[4]})=\hat{y}$，此时输出就是预测值$\hat{y}$

可以发现，一个训练样本正向传播公式可以归纳为

$z^{[l]}=W^{[l]}{a}^{[l-1]}+b^{[l]}$
$a^{[l]}=g^{[l]}(z^{[l]})$

接下来再看看如何用向量化方法训练整个训练集。其实就是把z和a向量从左到右横向叠起来。
例如：
$Z^{[1]}=\left[\begin{array}{ccccc}⋮& ⋮& ⋮& ⋮& ⋮\\ z^{[1](1)}& z^{[1](2)}& z^{[1](3)}& ⋮& z^{[1](m)}\\ ⋮& ⋮& ⋮& ⋮& ⋮\end{array}\right]$

第一层

$Z^{[1]}=W^{[1]}X+b^{[1]}=W^{[1]}{A}^{[0]}+b^{[1]}$，其中$X=A^{[0]}$，就是把所有样本从左到右横向叠在一起
$A^{[1]}=g^{[1]}(Z^{[1]})$

第二层

$Z^{[2]}=W^{[2]}{A}^{[1]}+b^{[2]}$
$A^{[2]}=g^{[2]}(Z^{[2]})$

后面几层依次类推，直到输出层

$Z^{[4]}=W^{[4]}{A}^{[3]}+b^{[4]}$
$A^{[4]}=g^{[4]}(Z^{[4]})=\hat{Y}$，$\hat{Y}$就是把所有样本的预测值$\hat{y}$从左到右横向叠在一起

针对整个训练集正向传播的向量化公式归纳如下

$Z^{[l]}=W^{[l]}{A}^{[l-1]}+b^{[l]}$
$A^{[l]}=g^{[l]}(A^{[l]})$

此时要遍历所有层计算就需要一个显示for循环，for l=1,2…L，依次计算从输入层到输出层整个NN每层的Z和A值。

你可以发现深层NN正向传播实现过程和单隐层NN实现步骤是非常类似的，只不过多重复了几遍。