【3.1 神经网络概览】
如何实现一个神经网络？
注：?
x表示输入特征，参数W和b，
中的[1]表示神经网络的“层”，表示与节点相关的量，区分
的(i)-表示单个训练样本。
把很多个sigmoid单元堆叠起来构成一个神经网络，节点对应类似z和a的计算。
也可进行反向计算。
【3.2 神经网络表示】
例：
单隐层神经网络，也称双层神经网络（输入层为第0层）
?
=x可表示输入层，a"激活“；
为隐藏层，隐藏层中的值在训练集中无法看到，本例中的
为输出层。
隐藏层和输入层是带有参数的
?
【3.3 计算神经网络的输出】
以logistic回归的结果为例：
?
注：
左侧：圆圈（节点）代表了回归计算的两个步骤：1.先算出z，2.然后再计算激活函数，即。神经网络就是多次重复这个计算步骤。
右侧：举例计算第一个和第二个节点的z和a。第三个、第四个节点类推，下标不同。
- 上标方括号表示所在的层数，下标表示层中的第几个节点，eg:
表示第一隐层的第二个节点。
四个节点计算的相应等式如下：
?
如果在神经网络用for loop执行很低效，所以要把这四个等式向量化：
角标T代表转置，把 转置后的w（nx,1)堆起来构成一个矩阵,w的转置是行向量，此处的w是（3，1）向量。这层共有四个节点，所以构成（4，3）矩阵。
计算：转置堆叠后的w矩阵与x（3，1）相乘，x=，x用
代替，再加
。
其中，?如下图所示，相当于把
函数作用到z中的每个元素。
?
?
- 向量化时的经验法则：当在一层中有不同的节点时，就纵向堆叠起来
?
recap：
如果有一个单隐层神经网络，需要在代码中实现的是计算右侧四个式子，是一个向量化的计算过程。上两个式子对应第一层，下两个对应第二层。四行代码实现，高效。
输入当然特征向量x，与处理logistic回归做法类似，想把整个训练样本向量化，通过把不同样本堆叠起来构成矩阵，再稍微修改一下公式，就能计算出不止一个样本的神经网络输出。
【3.4 多个例子中的向量化】
将不同训练样本向量化，输出结果和logistic回归相似。将不同的训练样本堆叠起来，放入矩阵的各列。
?