上一篇我們主要介紹了一些神經網絡必備的基礎知識，包括 Sigmoid 激活函數、損失函數、梯度下降和計算圖。這些知識對我們學習神經網絡非常有用！本文我們將開始真正的神經網絡學習，從一個淺層的神經網絡出發，詳細推導其正向傳播和反向傳播完整過程。

神經網絡模型概述

首先，我們來看一個簡單的神經網絡模型：

最簡單的神經網絡模型由輸入層（Input Layer）、隱藏層（Hidden Layer）、輸出層（Output Layer）組成，我們稱之為 2 層神經網絡。隱藏層和輸出層都由個數不一的神經元組成。如上圖所示，輸入層有 3 個輸入：x1、x2、x3，分別代表不同的輸入特征。例如一張圖片所有的像素值（當然不止 3 個） 。一般地，輸入層不標注 $\bigcirc$，表示沒有神經元。該神經網絡模型隱藏層包含了 4 個神經元，輸出層只有 1 個神經元。

需要特別注意的是，在解決二分類或者預測問題時，輸出層神經元個數為 1。如果是多分類問題，輸出層就需要多個神經元。這里先介紹最簡單的神經網絡模型，多分類問題之后再詳細介紹。

我在第01課已經介紹過單個神經元的結構：

單個神經元包含參數 W 和 b，分別稱之為權重系數（

總結

以上是生活随笔為你收集整理的第06课：浅层神经网络（NN）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。