【非线性假设】
为什么我们需要神经网络？
因为神经网络不需要大量的为特征设计的内容或有大量特征，，我们可以直接把数据放进进神经网络模型，让它自己进行训练，并做自我“修正”。
【神经和大脑】
在大脑中的感觉代表↑
大脑中的神经元↓
【模型表示1】
神经网络：层1，层2，层3
a=激活单元
θ=控制来自j层到j+1层的映射的权重矩阵
Θ的维度 S_{j+1}*S_{j}+1
例子：如果1层有两个节点的输入，那么第二层有4个节点
的维度是什么？（ 暗示：加一个对偏执单元给输入何隐藏层）
S2*(S1+1)=4*3
【模型表示2】
为了重新迭代，下面是一个神经网络的例子
实施向量化
换言之，对于第二层，节点k，变量z是
题目~
【例子与直觉1】
【例子与直觉2】
【多类分类】
为了把数据分成多类，我们会让我们的解社功能返回一系列向量值。比如我们希望分类数据成为四类。我们将使用以下的例子观察分类是如何完成的。
这个算法把输入当作一个图像，并把它相应的分类：
把我们结果类集合定义为y
每个y(i)表示一个与众不同的图像，对应于要么是一辆车、一个步行者、卡车或摩托车
内在层，每一个都给我们新的信息，这让我们最后的假设功能
我们为一个输入集合而表示的结果假设像下面这样：
在这个例子中我们的结果类是第三个是1，这代表着是摩托车
标签：大脑,分类,模型表示,神经网络,例子,直觉 From： https://www.cnblogs.com/asandstar/p/16775587.html