1.神经网络模型1
图1
这是一个神经网络的模型，通常设置一个x0,作为偏执单元或者偏置(bias)神经元。
图2
这里最后一句话，说的是系数矩阵θ，神经网络模型中，如果当前在j层有s_j个单元，在j+1层有s_j+1个单元，那么第j层的系数矩阵theta_j，是s_j+1(s_j +1)维的。
//就像图中，三个公式，应该是每层其实都有一个偏置单元。s_j+1是因为输入层得到的结果要是隐含层的输入，隐含层有s_j+1个单元，(s_j +1)是+上本层的偏置单元。
2.神经网络中的分类问题
图3
对于二分类的问题，输出层只有一个输出单元，对于多分类问题(k≥3)，那么输出层就有k个输出单元。
3.神经网络的代价函数
图4
首先第一项是对输出层的输出求和，每个都乘上yk；正则项，theta右上角的（l）表示的是层数，j表示的是第j行吧，也就是一共s_j+1行，i表示的是s_j列，那么一共是L-1层的相加。每一层都加上了一个偏置，但是在图中并没有画出。通常正则化项都不把偏置项加入到其中，但是加入了之后影响也不大。
4.反向传播算法
图5
首先就是需要计算每个单元的误差，怎么计算呢？如图，输出层也就是第4层，就等于当前的计算结果-实际结果；第三层的误差，第三层权重矩阵转置*第四层误差向量*激活函数的导数。
图中还给了一个公式就是——求偏导项的公式——代价函数的对每层权重矩阵单个，求导的公式=l层第j个节点的值*l+1层第i个节点的误差。 （证明过程十分复杂）
图7
z这里代表的是：每层的计算结果，代入激活函数之后就可以作为下一层神经元的输入。是三维的。
以下为伪代码：
图8
将所有误差（三角形的
微信扫一扫 
