Deeplearning-Part4

4.1 深层神经网络

• 图三为双层神经网络（判断：隐藏层+输出层）

• n[x]层数从0开始，但输入层为第零层，以此类推，第x层。

4.2 核对矩阵的维数

• 在神经网络正反向的传播过程中，可以通过核对矩阵的维数来检验代码是否有错

• 在神经网络正反向的传播过程中，可以通过核对矩阵的维数来检验代码是否有错
• 上图的右上角是总结性公式，各参数与上一层及下一层的维数都互有关联
• 正向传播：已知Z&X，算出W[L] =（n[L], n[L-1]）,b[L] =（n[L], 1）
• 反向传播：dW维度应该和 W维度相同

• 上图右边重点

4.3 对深层的理解

• 在图像识别中，神经网络通过模拟人的大脑的判断方式，从简单到复杂，先辨别边缘信息再逐步组成眼睛鼻子等信息

• 深度学习其实就是多个隐层的神经网络，但并非隐层越多越好
• 达叔通常先考虑使用1到2个隐层再+逻辑回归
• 正向传播：

• 反向传播：

4.4 参数和超参数

• 参数（如W／b）
• 超参数：学习算法中的，比如学习率／梯度下降法循环的数量／隐层数／隐藏单元数（需要自行设置的，能够控制最终的W／b的，称为超参数）