当面对复杂的网络时，就无法用解释式。
当第一层输入为5个变量时，第二层的为6个变量，那么此时用矩阵进行计算，每个h都由五个input的权重构成，此时需要6*5个权重，以此类推，下一层需要42个权重。
这时候就需要反向传播来计算
computional graph
从每一层的计算来看，输出为一个一维向量，权重为二维向量，偏置为一个一维向量，最终可以通过矩阵乘法以及向量加法得到一维向量的结果。
以此类推，便可以的得到下一层，然而通过两层的化简，发现其实设置的权重和偏置最后会归于一个新的权重和偏置，因此在每一层的结果上，采取非线性函数，这样就没法化简了，此时才为真正的神经网络。
