凭着多年的编程经验，突然接触到了“深度学习”这块硬骨头，有点无从下手。因为，多年的编程几乎都是业务、逻辑的编程，很少遇到这样高度“数学化”的东东，可谓纯情小白一只。
好在，那些曾经奄奄一息、于悬崖边垂挂的线性代数、概率论、高数，多年以后再度重温，居然于字句中不忍怒骂：编书的老家伙们，干嘛如此惜墨如金！
好了，废话少说。深度学习，往往先从神经网络模型开始。
神经网络模型
对于这样一个神经网络，其学习的几个重要点是：
1、掌握它的专业名词和相关数学符号
2、进行数学表示，即利用线性代数对其进行矩阵表示和向量表示
3、程序化，即将数学表示转化为 python 程序
第1点本文不再普及，主要进行第2点，第3点程序化的问题也暂时不提。
网络的第一层
首先把目光锁定在 layer0 到 layer1 这一层运算，其整体是 3 个未知数 x1, x2, x3 经过 4 个方程的线性运算，最终得到 4 个结果值。于是有以下矩阵表示：
单个节点方程
如果单看 layer1 的第一个节点（神经元），三个未知数和三个权重系数进行加权运算，得到一个加权值。这样得运算就是一个方程，表示为：
至于为什么要转置，我猜权重系数 w 和未知数 x 在网络中的视觉上都是“竖”向排列的，因此矩阵运算中“躺着”看起来描述得不准确，故将其转置一下～
整层节点方程
将上述 1 个节点纵向扩展为 4 个节点，便能写出整个 layer1 层所有节点的整体数学表示（并使用大写 W 表示 layer1 的权重系数矩阵）：
整层节点的每一个节点，经过一个偏移量和一个激活函数处理后，就得到最终的结果。仍然用一个简练的整体的数学表示为：
n 层神经网络
n 层神经网络的数学符号表示，只不过是上述推导的一层网络的重复迭代而已。此时能感受到单层网络的维度瞬间增加到 n 维，其数学推导如下：
多层神经网络便构成了一个多层感知机，它通过输入几个变量属性，便能响应出一个结果。
k 个样本
以上是将单层网络向多层网络的维度扩张，并且用的是一个样本的 3 个属性去进行计算的。试想，如果有百万千万个样本（如有 k 个样本），每个样本携带有 m 个属性，在数学表示上是不是又变得复杂起来？
好消息是问题并没有变复杂——每一个样本的运算都经历了相同的步骤，k 个样本就是 k 次相同运算，在编程时，这只是一个 for 循环的事儿。得益于神经网络模型严谨的设计，使得维度扩张显得如此轻而易举。
个人觉得，从矩阵变换的角度理解下 k 个样本的运算，大概是这样的：
如果没有激活函数或者激活函数是一个线性函数，那么整个神经网络就相当于一个超级变换矩阵 W s，将 k 个样本进行一次线性变换，就得到了对应的最终结果 y 帽。
但深度学习中，激活函数往往都是非线性的，目的之一就是破坏这种线性变换关系，那此时神经网络相当于一个超级函数 f s，将 k 个样本进行一次非线性变换，得到了对应的最终结果 y 帽。
而我们所有后面要做的事，就是找到某种形式下的最优的这种超级函数 f s。
编辑这些公式不容易，若转载请注名本作者。
