大家好~我开设了“深度学习基础班”的线上课程，带领同学从0开始学习全连接和卷积神经网络，进行数学推导，并且实现可以运行的Demo程序
线上课程资料：
本节课录像回放
加QQ群，获得ppt等资料，与群主交流讨论：106047770
本系列文章为线上课程的复盘，每上完一节课就会同步发布对应的文章
本文为第三节课：“全连接层的前向和后向传播推导（中）”的复盘文章
本课程系列文章可进入索引查看：
深度学习基础课系列文章索引
回顾相关课程内容
- 第三节课：全连接层的前向和后向传播推导（上）
- 神经元计算公式为什么要向量化？
- 向量化后神经元的计算公式是什么？
主问题：如何推导全连接层的前向传播？
为什么要学习全连接层？
- 什么情况下需要增加输入层的神经元个数？
需要增加特征的值的个数的时候 - 什么情况下需要增加隐藏层的神经元个数？
需要增加神经网络的拟合能力，从而更快速的收敛的时候。
因为隐藏层的神经元个数越多，权重数量就越多，方程的解的范围就越多，所以拟合能力就越强 - 什么情况下需要增加输出层的神经元个数？
需要增加输出的值的个数的时候 - 什么情况下需要增加更多的隐藏层？
需要大幅增加神经网络的拟合能力的时候，可参考如何确定神经网络的层数和隐藏层神经元数量
因此，本课推广判断性别Demo的三层神经网络为全连接层神经网络
主问题：如何推导全连接层的前向传播？
- 什么是全连接层？
输入层、输出层各只有一层，隐藏层可以有任意多层；
每层有任意多的神经元
我们仍然以三层神经网络为例来推导前向传播
- 前向传播算法是什么？
从隐藏层开始，依次计算每层神经元的输出，直到输出层结束 - 隐藏层的前向传播计算公式是什么？
- 如何推导向量化？
- 输出层的前向传播计算公式是什么？
- 如何推导向量化？
任务：实现全连接层的前向传播
- 请实现全连接层的前向传播的代码
待实现的代码：NeuralNetwork_forward
实现后的代码：NeuralNetwork_forward_answer - 使用判断性别Demo的神经网络结构，运行代码
运行代码：
let state = createState(2, 2, 1)
let feature = {
weight: 50.,
height: 150.,
}
forward(state, feature)->Js.log