《deeplearning.ai》 课程一第四周 | Deep
deeplearning.ai 是机器学习领域大牛Andrew Ng在Coursera上公布的新的深度学习的课程，相比之前机器学习的课程，本课程更偏重于深度学习的领域。
本文是课程一《Neural Networks and Deep Learning》的第四周笔记，上周给大家介绍了Shallow Neural Networks，本周我们将为大家介绍Deep Neural Networks。
注：如果没有任何机器学习基础，直接学习本课程可能会有些费力，建议大家先去学习Andrew Ng机器学习课程，传送门在此 Coursera Machine Learning
一、基本概念
深层神经网络，顾名思义，就是有很多隐藏层的神经网络，所以其符号表示与神经网络是一样的，即使用中括号的上角标来表示第几层，比如a[0]表示第0层，即输入层；a[2]则表示第二层隐藏层。
下图即逻辑回归、浅层神经网络与深层神经网络的对比。
image.png
由于其符号表示、前向传播、反向传播、参数及向量化已在前一章介绍过了，这里就不再赘述了，不清楚的可以回顾下上一周的笔记。
image.png
这里只是多了层数而已，完全套用前一章神经网络的前向传播和反向传播即可。
image.png
image.png
image.png
二、直观解释
下图为深层神经网络的直观解释，举了图像识别、语音识别等例子，详细讲解可以去看下视频。 为什么使用深层表示.
image.png
三、参数与超参数
在神经网络中的参数指的是W,b，它们是在一次次梯度下降算法的迭代中不断优化的。
超参数指的是学习率、迭代数、隐藏层的层数和隐藏神经元的个数（神经网络的结构）及激活函数的选择等，超参数是需要我们在训练前手动设定的。
image.png
超参数的选择会决定了最终的参数W,b，还会影响模型的训练速度等，所以超参数的选择非常重要，在下一章中我们会讲解如何选择超参数。
四、本周内容回顾
通过本周学习，我们学习到了：
- 深层神经网络的基本概念
- 深层神经网络的前向传播和反向传播
- 参数与超参数的解释
最后贴出网易云课堂的链接，有兴趣的可以关注下我的知乎或博客，链接在最下方，可以交流下学习经验哈
