神经网络

普通的Logistic回归模型不能有效地处理这么多的特征，这时候我们就需要神经网络来帮助我们处理输入特征n很大时的情况

神经元

神经元是神经系统最基本的结构和功能单位，由三部分组成，分别是树突、胞体和轴突，如图所示。树突是接受输入，轴突是用于输出的。

 模型

神经网络模型建立在很多神经元之上，每一个神经元又是一个个学习模型。这些神经元（也叫激活单元，activation unit）采纳一些特征作为输入，并且根据本身的模型提供一个输出。下图所示是一个以Logistic回归模型作为自身学习模型的神经元例子。在神经网络中，参数又可被称为权重（weight）。

logistic 单元神经模型

 神经网络层数的定义方式

从左至右，由0开始定义。比如上面的图，X1,X2,X3这层属于第0层，右边的这层隐藏层是第一层，由此类推。

命名规则上，一般只参考隐藏层个数和输出层。例如，上图中的逻辑回归又叫1 layer NN，1个隐藏层的神经网络叫做2 layer NN，2个隐藏层的神经网络叫做3 layer NN，以此类推。如果是L-layer NN，则包含了L-1个隐藏层，最后的L层是输出层。

举例

 更复杂的情况：

符号表达：

 神经网络前向传播

前向传播，其实就是当模型训练好之后（参数确定），给定数据从输入层，通过计算，从左向右流出输出层，后一层的输入就是前一层的输出，一层一层的进行计算，最后得到预测结构。