机器学习—更复杂的神经网络
这个神经网络有四层，不计算输入层也叫零层，其中第一层，第二层和第三层是隐藏的，第4层是输出层，第0层通常是输入层，当我们说神经网络有四层包括所有隐藏层和输出层，但是我们不计算输入层，所以这是一个有四层的神经网络。
在网络中计算层的传统方法中，让我们放大到第三层，这是第三个也是最后一个隐藏层，查看该层的计算，第三层输入一个矢量a上标[2]，这是由上一层计算的，它输出一个a[3]，这是另一个向量，如果它有三个神经元，或者我们称之为三个隐藏单元，然后它有参数W1、B1，W2、B2，W3、B3，它计算出a1，a2，a3，这一层的输出包括[a1,a2,a3]，按惯例，如果我们想更明确地表示所有这些都是与第三层相关的量，然后把所有这些上标方括号[3]写到a上，W和B是第三层神经元相关的参数，这些激活是第三层的激活。注意，这里的项是W1上标[3]，表示第三层点积相关的参数，第二层的输出变成了第三层的输入，因为是一个与第三层点积相关的参数，有一个2是因为它是第二层的输出。
让我们快速检查一下对此的理解，把它们隐藏起来，看能不能快速做出判断.
总结一下，第二层神经元的激活与第三层神经元有关，因此有一个2，有一个参数与第二层神经元的第三层相关联，下边是这个方程更一般的形式。所以这个式子给这层L单位j的激活，方括号中的上标l表示第l层，下标j表示单位就，在构建神经网络时，单位j指的是j神经元，所以我们可以互换使用这些术语，其中每个单元都是一个神经元，在G层中，这里是Z状结肠函数，在神经网络背景下，G有另一个名字，它也被称为激活函数，因为g输出这个激活值，所以激活功能就指的是这个函数g，到目前为止，你所看到的唯一具有激活功能的是Z状结肠功能，激活函数就是输出这些激活值的函数，最后一个符号，为了使所有这些符号一致，给输入向量X取另一个名字是零，所以这样同样的方程也适用于第一层，当l=1时，第一层是1的激活将是Z状结肠倍权重点积为零，也就是输入特征向量X，所以用这个符号，就可以知道如何计算任何层的激活值，在神经网络中作为参数的函数以及前一层的激活.
