第三周：浅层神经网络课堂笔记
3.2神经网络的表示
该神经网络由两层组成，隐藏层数为一
隐藏层的含义是：在训练集中，这些中间节点的真正数值我们是不知道的，在训练集你看不到他们的数值。你只能看到输入值，也能看见输出值。这就是所谓的“隐藏层”
第零层：向量X表示输入特征，输入特征的数值还有另外一种表示方式，用a[0]来表示，即X=a[0]
第一层为隐藏层
第二层是一个输出层，会产生某个数值a[2]的实数，y帽的值就是a[2]
这里的图示，是一个双层神经网络，当我们计算网络的层数时，不计算输入层。在约定符号中将输入层称为第零层。
最后：隐藏层以及最后的输出层，是带有参数的，这里的隐藏层有两个相关的参数w和b，使用上标[1]，w[1]，b[1]表示这些参数，之后我们会看到w是一个4*3的矩阵，而b在这个例子中是一个4*1的向量。第一个数字4，意思是有4个节点，或者说4个隐藏单元，数字3表示这里有3个输入特征。（向量维数问题请参考4.3核对矩阵的维数）
输出层和他有关的参数为w[2]，b[2]。从维数看，分别是1*4以及1*1。1*4是因为隐藏层有4个隐藏单元，而输出层只有一个单元
3.3计算神经网络的输出
3.4 ：如何把多个训练样本堆叠起来放入到矩阵的各列中？
3.5：向量化实现的解释
3.6:激活函数