神经元网络
神经网络的模型：
一个神经网络模型可分为三层：以预测 T 恤是否会称为顶级热销商品为例
- input layer(输出层)：特色变量（feature variance）有 price，shipping cost,marketing,material 四个，独特组成一个输出向量 x
- hidden layer(暗藏层）：具备三个神经元：afford ability，awareness，perceived quality, 每一个神经元都可能是由输出层中的特征值的一个或多个独特决定（能够用函数表白）
- output layer(输入层）：由暗藏层的特征值组成的特征向量 a 传递进去，并作出最终的预测
-
在一个多元神经网络中，暗藏层能够有多层，每层的神经元个数不定
神经网络中的网络层
神经网络的具体工作原理：
以三层网络为例：每一层都输出一个数字向量，并对其利用一堆逻辑回归单元（神经元），从而计算出另外一个数字向量，一层一层的进行这种工作，直到失去了最终层的计算输入后果，简略的工作原理图如下所示，其中参量右上角 [] 的上标数字示意所在层数 - layer 0
- layer 1
- layer 2
更简单的神经网络
计算每一层的激活值：
神经网络向前流传
- 有一个 8 * 8 的矩阵，255 代表红色像素，0 示意彩色像素，计算能输入数字 1 的概率
- 应用一个神经网络模型，暗藏层 layer1 有 25 个单元，暗藏层 layer2 有 15 个单元，当初计算特征向量 a1 的值，其中 x 能够用 a0 示意：
a1 的计算
a2 的计算
a3 的计算
计算 a3 的输入值，若 >=0.5，则预测 y -hat 的值 1，即可正确输入数字 1 的图像，反之则为 0, 不能正确输入数字 1 的图像
f(x)示意逻辑回归或者线性回归的输入
-
这种神经网络架构称为向前流传（forward propagation）：这种架构的神经网络的特点是随着凑近输入层，暗藏层的神经单元会缩小
用代码实现推理
以上是应用 Tensorflow 进行的神经网络的推理
Tensorflow 和 numpy 的转换
搭建一个神经网络
单个网络层上的向前流传
向前流传的个别实现
强人工智能
人工只能的分类：