第06课：浅层神经网络（NN）

上一篇我们主要介绍了一些神经网络必备的基础知识，包括 Sigmoid 激活函数、损失函数、梯度下降和计算图。这些知识对我们学习神经网络非常有用！本文我们将开始真正的神经网络学习，从一个浅层的神经网络出发，详细推导其正向传播和反向传播完整过程。

神经网络模型概述

首先，我们来看一个简单的神经网络模型：

最简单的神经网络模型由输入层（Input Layer）、隐藏层（Hidden Layer）、输出层（Output Layer）组成，我们称之为 2 层神经网络。隐藏层和输出层都由个数不一的神经元组成。如上图所示，输入层有 3 个输入：x1、x2、x3，分别代表不同的输入特征。例如一张图片所有的像素值（当然不止 3 个） 。一般地，输入层不标注 $\bigcirc$，表示没有神经元。该神经网络模型隐藏层包含了 4 个神经元，输出层只有 1 个神经元。

需要特别注意的是，在解决二分类或者预测问题时，输出层神经元个数为 1。如果是多分类问题，输出层就需要多个神经元。这里先介绍最简单的神经网络模型，多分类问题之后再详细介绍。

我在第01课已经介绍过单个神经元的结构：

单个神经元包含参数 W 和 b，分别称之为权重系数（

总结

以上是生活随笔为你收集整理的第06课：浅层神经网络（NN）的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。