1. 神经网络长什么样？
神经网络引入了layer（层）和unit（单元）的概念，x是第一层也就是输入层，含有三个unit（单元），其单元数通常是特征值的个数，有时候输入层也会被表示成a[0]，最后一层叫做输出层，（输出层也可能包含多个单元，即多分类，对于多分类问题，给定输入值x，预测其属于哪类，就看其哪类的预测值最大）。中间的称谓隐藏层，计算一个神经网络的层数的时候，输入层通常不计入，即如果有一个隐藏层，那么这个神经网络是一个双层神经网络（隐藏层和输出层）。
正向传播（forward propagation）计算估计值，反向传播（backport propagation）计算梯度 。
2. 双层神经网络前向传播向量化（以逻辑回归函数为例）
对于单个样本来说，其前向传播向量化过程如下：
对于整个样本集，其前向传播向量化过程如下：
3. **函数（activation function）
**函数即隐藏层及输出层计算估计值所用的函数，对于以逻辑回归为例的神经网络来说，**函数即sigmoid函数，还有很多其他的函数可以作为**函数。不同层之间的**函数可以相同也可以不同。
-1-sigmoid(z)函数 //适合二分类，0<=y<=1
-2-tanh(z)函数 //比sigmoid更优越的**函数，均值为零
//sigmoid,tanh函数都有一个缺点，即当z足够大时，其导数会趋近于零，会使得梯度下降收敛速度很慢
-3-ReLU(Rectified Linear Unit)修正线性单元 //目前默认的**函数
-4-Leaky ReLU带泄露的ReLU //表现比ReLU更好，但通常使用率不高
//ReLU函数的主要优势是其斜率不容易趋近于零，梯度下降收敛速度不会很慢
-5-g(z)=z 线性**函数或恒定**函数(Identity activation function) //用线性**函数不管有多少隐藏层，每层有多少单元，归根结底还是计算线性**函数，因而隐藏层就变得没有意义。所以神经网络一般不采用线性**函数。
4. **函数的导数
-1- sigmoid
-2-tanh
-3- ReLU and Leaky ReLU
5. 神经网络的梯度下降/后向传播（双层神经网络）
6. 梯度下降（后向传播）向量化（双层神经网络）
7. 随机初始化
为什么不能初始化为0？
初始化参数w为0，会导致不管迭代多少次，隐藏层的各单元计算的函数一样，各单元导数也一样，从而最终计算的参数值w,其各行是相等的，这种情况称之为隐藏单元是对称的，这样多个隐藏单元就变得毫无意义了。参数b不存在对称问题，可以初始化为0.
初始化时为什么对参数w乘以0.01？
因为如果**函数是sigmoid或者tanh，若参数值较大很可能就会导致其落在平缓区，即导数趋近于零，降低收敛速度。
注意：对浅层神经网络来说，参数W乘以0.01是个不错的选择，但是对于深层神经网络来说，参数值需要调整一下，具体如何调整会在接下来的课程介绍。