吴恩达DeepLearning.ai系列笔记
干货|吴恩达 DeepLearning.ai 课程提炼笔记（1-2）神经网络和深度学习 --- 神经网络基础
干货|吴恩达 DeepLearning.ai 课程提炼笔记（1-3）神经网络和深度学习 --- 浅层神经网络
1
矩阵的维度
DNN结构示意图如图所示：
对于第l层神经网络，单个样本其各个参数的矩阵维度为：
2
为什么使用深层表示
人脸识别和语音识别：
对于人脸识别，神经网络的第一层从原始图片中提取人脸的轮廓和边缘，每个神经元学习到不同边缘的信息；网络的第二层将第一层学得的边缘信息组合起来，形成人脸的一些局部的特征，例如眼睛、嘴巴等；后面的几层逐步将上一层的特征组合起来，形成人脸的模样。
随着神经网络层数的增加，特征也从原来的边缘逐步扩展为人脸的整体，由整体到局部，由简单到复杂。层数越多，那么模型学习的效果也就越精确。
对于语音识别，第一层神经网络可以学习到语言发音的一些音调，后面更深层次的网络可以检测到基本的音素，再到单词信息，逐渐加深可以学到短语、句子。
所以从上面的两个例子可以看出随着神经网络的深度加深，模型能学习到更加复杂的问题，功能也更加强大。
电路逻辑计算：
假定计算异或逻辑输出：
即输入个数为n，输出个数为n-1。
但是如果不适用深层网络，仅仅使用单隐层的网络（如右图所示），需要的神经元个数为2^(n-1)个 。同样的问题，但是深层网络要比浅层网络所需要的神经元个数要少得多。
3
前向和反向传播
前向传播（Forward propagation）
反向传播（Backward propagation）
4
参数和超参数
参数：
参数即是我们在过程中想要模型学习到的信息，W，b
超参数：
更多超参数的调整和学习吴恩达老师将在下一个主题中介绍。
csdn博客：http://blog.csdn.net/koala_tree/article/details/78087711
专栏：https://zhuanlan.zhihu.com/p/29738823
推荐阅读：
精选干货|近半年干货目录汇总
干货|吴恩达 DeepLearning.ai 课程提炼笔记（1-2）神经网络和深度学习 --- 神经网络基础
干货|吴恩达 DeepLearning.ai 课程提炼笔记（1-3）神经网络和深度学习 --- 浅层神经网络
欢迎关注公众号学习交流~ 
欢迎加入交流群交流学习 