1. 隐藏层的内部实现
- 如图通常来说，该模型一共有两层，不包括输入层（layer 0），第一层是隐藏层（layer 1），第二层是输出层（layer 2），我们可以用方括号上标来表示当前参数在第几层，当前在隐藏层，所以方括号上标为[1]
- layer 1中的每一个神经元的输入都是向量X，不必手动选择某些特征传递，直接整体传递即可。且每一个神经元都可看作一个小的逻辑回归函数，因此它也就拥有特征向量W，特征b。每个神经元都会输出激活值a，即逻辑回归函数g(z)的值。我们可以用下标来区分该层中的不同神经元的向量W，b，a。
- layer 1中所有神经元的输出，可以合成一个激活向量a，并把向量a作为layer 2的输入传递给layer 2
2. 输出层的内部实现
- 因为该输出层只有一个神经元，所以layer 2的输出是一个数字，而不是一个向量。且当前在输出层，所以方括号上标为[2]
- 可以设阈值为0.5，当输出层的输出结果大于等于0.5时，预测y的值为1。如果小于0.5时，预测y的值为0
3. 神经网络的工作原理
- 综上：每层都输入一个向量，并将该向量应用于一些逻辑回归函数，计算并输出另一个向量，依次一层层的执行，直到得到最终的输出层的输出结果，即该神经网络的结果，并依据设定的阈值（如0.5），选择得出或不得出最终的预测结果。
4. 复杂神经网络的练习
- 如图通常来说，该神经网络有4层，输入层并不算在内。空白处表示layer 3的第二个神经元，所以该神经元的参数为上标3，下标2，但向量a为layer 2的输出，所以向量a的上标为2
- 对于任意第l层的任意第j单元（神经元），它的激活值a的公式如图
- g函数为sigmoid函数，也叫激活函数，因为g函数是输出激活值a的函数
- 为了让layer 1的激活值a也能使用公式，我们把输入向量x写成向量a，上标0
