Q1非线性假设
（1）无论线性回归还是逻辑回归当特征量太多时，计算的负荷会非常大。如50x50像素有2500特征，如果两两组合将会有25002/2个（接近300万个特征）。普通的线性回归和逻辑回归模型不能有效处理这么多特征，这时候需要用神经网络了。
Q2神经元和大脑
大脑的某一块可以经过学习，学会其他功能，比如某一块感受触觉，但是接受视觉训练之后，能够感受视觉。
Q3模型表示1
（1）神经元有树突和轴突，许多树突接受电信号，一个轴突发送电信号。
（2）根据神经元模型，创建逻辑回归模型：
（3）多神经元、多层时，分别称为输入层，掩藏层，输出层：
Q4模型表示2
（1）向量表示比循环编码更高效：
以上只是针对一个训练实例，如果是整个训练集进行计算的话，需要将X进行转置，使得同一个实例在一列。
（2）神经网络比线性回归和逻辑回归更强大，在于前者将特征不断进行高级化。
Q5特征和直观理解1
（1）从本质上讲，神经网络能够通过学习得出其自身的一系列特征。
（2）逻辑与运算
其中θ为[-30,20,20]T.
（3）逻辑或运算
其中θ为[-10,20,20]T。
（4）非运算
关键是激活函数g(h(x))的使用。
Q6样本和直观理解II
通过上一节的简单运算构造出复杂运算（同为1或者同为0时取1）
按照这种方法我们可以逐步构造出越来越复杂的函数，也能得到更加厉害的特征值。这就是神经网络厉害之处。
Q7多类分类
如要在一个图片中识别路人，汽车，摩托车，卡车四类，这是神经网络可以设置四个输出，每一个用1或0代表是否有某一类即可。
neutral network ---神经网络学习
forward propagation ---向前传播
nonlinear hypotheses ---非线性假设函数
input layer ---输入层
output layer ---输出层
hidden layer ---隐藏层
作者：你的雷哥
本文版权归作者所有，欢迎转载，但未经作者同意必须在文章页面给出原文连接，否则保留追究法律责任的权利。
