深度学习-神经网络层

这个博客将学习如何构建一层神经网络，一单掌握了这一点，就可以将这些构建块组合起来，形成一个大型的神经额网络，让我们俩看看神经网络时=是如何工作的

每一个神经单元就是实现了一个小小的逻辑回归单元，或者小小的逻辑回归函数，所以我们取第一个神经元为了表示这是第一个神经单元我们用W1,B1来表示这是第一个神经单元，同一层中的每个神经元的输出，组合成了一个向量，我们将这个向量作为输入，传入到第第二层中，以此类推，

为了区分参数是属于那一层的，我们在右上角用中括号[]表示神经网络的层数，如图所示，对一输出的向量 我么也在右上角加上中括号的数字，表示具体是哪一层输出的结果，构成的向量，

对于输出层，他的输入就是隐藏层的输出，输出的向量1

对于一个神经网络，有几十到上百层，一般第一层也叫输入成，中间的叫隐藏层，最后的叫输出层，隐藏层是处理的逻辑，

最后还有一个步骤，就是根据输出的概率，设定决策边界，然后进项二分类的输出，设定阈值，判断他到底是否是畅销品，

激活向量，是通过激活函数处理后的神经元输出向量，他会最为下一层的输入。在这里面，激活商量就是 向量a。

激活向量的维度，有这一层神经单元的数量决定，

在神经网络总每个神经元学习一个特征，通过反向传播和梯度下降神经元慢慢知道他要关注设么特征，有的神经元关注边缘，有的则关注局部，有段的关注整体，

在确定神经元要关注特征的过程中昂，用成本函数预测预测与真的得差距，，反向传播吧差距分配给每个神经元，调整他们的权重和偏置，其中w就是权重衡量重要性，B是偏置衡量整个加强和的基准值，然后使用梯度梯度下降更新梯度和偏置。