大型神经网络

加入矩阵维度

输入->隐含->输出->结果值

大型神经网络结构概念式

向量化之后的最后表达式

网格向量化具体过程

W、B要把X转变为a这中维度

网络向量化

为了反向调整w、b的值，修改正向传播的计算公式：

z = wT*x+b

输入几个x，w的第一纬就是几；比如这里有3个x，则w就是3行；

该层有几个细胞，w的第二维就是几；比如这里隐含层有4个细胞，则w就是4列。

然后，w转置后，与x相乘；

该层有几个细胞，b的第一维就是几；这里b是4行1列。

输出层，也是，一个细胞，四个输入；则w是4行1列，b是1行1列。

神经网络的网络向量化

神经网络的向前传播、运算、预测——神经网络的网络向量化，对向量化进行计算的过程

x = a ^n-1

結果顯示:

逻辑回归关系（线性组合W与b、激活函数g）

向點結果a

对各层而言处理W和b的自身格式不同，其处理过程相似都可以归纳为

注：这里的x可以为输入，也可以为上一层的输出a n-1

可以将上述过程总结为

各层之间都存在的逻辑回归关系（线性组合W与b、激活函数g），各层间的W和b需满足一定格式来实现矩阵维度的变化，如截图所示

网络向量化：

也叫 神经网络向前传播/神经网络的预测

对于一个单隐藏层神经网络（如图1），其各层的输入输出可以表示为（见截图），x1、x2、x3表示输入层的输入，a11～a41表示隐藏层的4个输出，a2表示输出层的输出

就是神经网络图形化设计转化为向量表示的公式化

网络向量化推广的表达式

网络向量化=神经网络向前传播=神经网络的预测