3.1 神经网络概览-深度学习-Stanford吴恩达教授

神经网络概览 (Neural Networks Overview)

本周你将学习如何实现一个神经网络。在我们深入学习具体技术之前，我希望快速的带你预览一下本周你将会学到的东西。如果这个视频中的某些细节你没有看懂你也不用担心，我们将在后面的几个视频中深入讨论技术细节。

现在我们开始快速浏览一下如何实现神经网络。上周我们讨论了逻辑回归，我们了解了这个模型如何与下面公式建立联系。

 首先你需要输入特征，参数和，用来计算，用来计算，我们用来表示，之后你可以计算损失函数。

神经网络看起来是如下这个样子。正如我之前已经提到过，你可以把许多sigmoid单元堆叠起来形成一个神经网络。对于下图的节点，对应两个计算步骤：

1、计算z                2、计算a

---

 在上面神经网络的图片对应的3个节点，首先计算第一层网络中的各个节点相关的数，接着计算 ，在计算下一层网络同理； 我们会使用符号表示第层网络中节点相关的数，这些节点的集合被称为第层网络。这样可以保证不会和我们之前用来表示单个的训练样本的(即我们使用表示第个训练样本)混淆；整个计算过程，公式如下图：

类似逻辑回归，去计算，这里需要用去计算。之后你会用另一个线性方程计算，再用去计算得到  。那最后的 就是整个神经网络的最后输出，同时我也会用来表示神经网络的输出。       

学会这其中的细节： 从一个逻辑回归中，我们先计算得到，后计算得到，在神经网络中，我们要做很多次反复计算和，最后计算损失函数。

你应该记得逻辑回归中，有一些从后向前的计算用来计算导数和。同样，在神经网络中我们也有从后向前的计算，看起来就像这样，最后会计算，计算出来之后，然后计算等。（如下图的红色箭头方向）

现在你大概了解了一下什么是神经网络，基于逻辑回归重复使用了两次该模型得到上述例子的神经网络。我清楚这里面多了很多新符号和细节，如果没有理解也不用担心，在接下来的视频中我们会仔细讨论具体细节。

那么，下一个视频讲述神经网络的表示。