神經網絡概述（Neural Network Overview）
從今天開始你將學習如何實現一個神經網絡。這裡只是一個概述，詳細的在後面會講解，看不懂也沒關係，先有個概念，就是前向計算然後後向計算，理解了這個就可以了，有一些公式和表達在後面會詳細的講解。
在我們深入學習具體技術之前，我希望快速的帶你預覽一下後續幾天你將會學到的東西。
現在我們開始快速瀏覽一下如何實現神經網絡。之前我們討論了邏輯迴歸，我們瞭解了這個模型(見圖)如何與下面公式建立聯繫。
公式1：
公式1
如上所示，首先你需要輸入特徵x，參數w和b，通過這些你就可以計算出z，
公式2：
接下來使用z就可以計算出a。
我們將的符號換為表示輸出y^⟹a=σ(z),然後可以計算出loss function L(a,y)
神經網絡看起來是如下這個樣子（如下圖）。正如我之前已經提到過，你可以把許多sigmoid單元堆疊起來形成一個神經網絡。對於上圖中的節點，它包含了之前講的計算的兩個步驟：首先通過上面公式計算出值z，然後通過σ(z)計算值a。
在這個神經網絡（上圖）對應的3個節點，首先計算第一層網絡中的各個節點相關的數z^[1]，接著計算α^[1]，在計算下一層網絡同理；
我們會使用符號[m]表示第m層網絡中節點相關的數，這些節點的集合被稱為第m層網絡。
這樣可以保證[m]不會和我們之前用來表示單個的訓練樣本的(i)(即我們使用表示第i個訓練樣本)混淆；
整個計算過程，公式如下:
公式3：
公式4：
類似邏輯迴歸，在計算後需要使用計算，接下來你需要使用另外一個線性方程對應的參數計算z^[2]， 計算a^[2]，此時a^[2]就是整個神經網絡最終的輸出，用 y^表示網絡的輸出。
公式5：
公式6：
我知道這其中有很多細節，其中有一點非常難以理解，即在邏輯迴歸中，通過直接計算z得到結果a。而這個神經網絡中，我們反覆的計算z和a，計算a和z，最後得到了最終的輸出loss function。
你應該記得邏輯迴歸中，有一些從後向前的計算用來計算導數da、dz。同樣，在神經網絡中我們也有從後向前的計算，看起來就像這樣，最後會計算da^[2] 、dz^[2]，計算出來之後，然後計算計算dW^[2]、db^[2] 等，按公式3.5、3.6箭頭表示的那樣，從右到左反向計算。
現在你大概瞭解了一下什麼是神經網絡，基於邏輯迴歸重複使用了兩次該模型得到上述例子的神經網絡。
話說回來，我們就像是在認識李清照，現在看到的是李糊照，所以不要擔心（安慰）。
閱讀更多 極客Array 的文章
