走向深度学习：
作者想用将复杂问题简单化的思路，将神经网络的工作方法简单叙述一遍。接着引出了经典算法，反向传播算法。
反向传播算法
首先，纯英文（不翻译）...作者开始只是进行了符号的说明：
顺便也和上节课代码联系了一下，符号说明很容易理解。
损失函数的两个假设
第一个假设：
原文的排版让人不忍直视：（https://blog.csdn.net/csj941227/article/details/77150000，此为一名大佬的笔记....对比下来自己的真的是无语伦比的糟糕，所以此处建议跳转，膜拜大佬）
（其中代价函数的方程我一直疑惑，然后：https://blog.csdn.net/quiet_girl/article/details/68544273，懂了）
看懂了笔记，但是对于原文的假设，还是不太清楚。
第二个假设：
自我感觉，就是求解偏微分的需要，不是函数怎么行（不严谨）。
Hadamard成绩
其实就是点乘
反向传播背后的四个基本方程
反向传播其实是对权值和偏置变化 影响代价函数过程的理解。最终含义就是计算偏导。
(我是综合着书呵上面大佬博客看的，说实话，推导证明什么的不难，难得是想清楚这个过程在干什么。整个过程大致框架在干什么我看得懂，但是很多东西细想一下发现自己想不通，所以只能先暂时这样)