Neural Networks and Deep Learning （week3）浅层神经网络(Shallow neural networks)
3.1 神经网络概述（Neural Network Overview ）
（神经网络中，我们要反复计算a和z,最终得到最后的loss function）
3.2 神经网络的表示（Neural Network Representation)
3.3 计算一个神经网络的输出（Computing a Neural Network's output )
向量化计算：
详细过程见下: 公式 3.10：
（W---4x3）
3.4 多样本向量化（Vectorizing across multiple examples ）
所以横向矩阵A会扫过不同的训练样本，竖向是矩阵A中的不同指标。
3.5 向 量 化 实 现 的 解 释 (Justification for vectorized implementation)
3.6 激活函数 (Activation functions)
-
tanh函数
-
修正线性单元的函数（ReLu）(默认选项！)
-
如果输出是 0、1 值（二分类问题），则输出层选择 sigmoid 函数，然后其它的所有单元都选择 Relu 函数。
-
这是很多激活函数的默认选择，如果在隐藏层上不确定使用哪个激活函数，那么通常会使用 Relu 激活函数。有时，也会使用 tanh 激活函数，但 Relu 的一个缺点是：当z是负值的时候，导数等于 0。
-
这里也有另一个版本的 Relu 被称为 Leaky Relu。当z是负值时，这个函数的值不是等于 0，而是轻微的倾斜，如图。这个函数通常比 Relu 激活函数效果要好，尽管在实际中 Leaky ReLu 使用的并不多。
快速概括一下不同激活函数的过程和结论。
- sigmoid 激活函数：除了输出层是一个二分类问题基本不会用它。
- tanh 激活函数：tanh 是非常优秀的，几乎适合所有场合。
- ReLu 激活函数：最常用的默认函数，，如果不确定用哪个激活函数，就使用 ReLu
- Leaky ReLu： 公式 3.23： 𝑏 = max(0.01z, z)
3.8 激活函数的导数 (Derivatives of activation functions)
1) sigmoid activation function
( g' (z) = a(1 - a) )
2) Tanh activation function
（g ' (z) = 1 - a^2 ）
3) Rectified Linear Unit (ReLU)
4) Leaky linear unit (Leaky ReLU)
3.9 神经网络的梯度下降 (Gradient descent for neural networks)
3.10 直观理解反向传播 (Backpropagation intuition)
3.11 随机初始化 (Random+Initialization)
一次迭代后同样的表达式结果仍然是相同的，即隐含单元仍是对称的。通过推导，两次、三次、无论多少次迭代，不管你训练网络多长时间，隐含单元仍然计算的是同样的函数。没有意义。
本周总结
-
如何设立单隐层神经网络
-
随机初始化参数
-
正向传播计算预测值
-
计算导数，结合反向传播应用在梯度下降
