原理
为什么我们选择神经网络来实现人工智能。因为就目前来说，最神奇的计算机应该是我们的大脑。所以我们模仿我们大脑的运作方式，通过产生一个一个神经元来完成某一个小任务，进而组成强大的神经网络来实现复杂的非线性问题。每一个神经元并不是去完成某一个特定任务，在不同的问题下，相同的神经元可能在完成不同的任务，这完完全全取决于问题的模型是什么。正如我们的大脑一样，掌管听觉的神经部分，在接受到视觉信号，并经过一段时间训练后，也能完美得胜任此任务。
效果
可以看到，正确率相比Logistic Regression来说，还是有所提升。虽然提升不大，但要知道我们仅仅是简单的三层网络，所以效果还是很不错的。
模型
在该模型下，我们选择了三层神经网络，分别对应着输入层，隐藏层和输出层。输入层设置了401个神经元，分别对应400个像素点的值，外加一个偏置单元（可以理解为我们之前的常数项）。第一层神经元的输出是我们的像素点的值a1，乘上我们的权重θ后得到z2，而在这次试验当中，每个神经元的功能是我们之前讲的决策函数，所以经过我们的第一层神经元得到a2；第二层得到输入a2后，乘上第二层神经元的权重得到z3，经过我们的神经元得到a3，得到我们的输出层。输出层是10个神经元，输出结果为0~9的概率，我们选择概率最高的那个结果作为我们的预测结果。
具体实现
需要导入的库
加载数据函数
决策函数
第一层神经网络
第二层神经网络
主函数
补充
在本次实验当中，我们并没有构造代价函数，构造梯度下降函数来求得模型的参数θ。因为在最开始，我们已经导入了已经训练好的θ值。而如何去求解这个θ值，并不是我们前向传播算法干的，而是反向传播算法的工作，反向传播算法其实也和我们的Logistic Regression求解θ值得过程差不多，也是通过求偏导来实现，只不过因为神经网络的层数往往大于等于三层，所以会运用到一些偏导函数的运算性质，仅此而已。为什么神经网络的效果会比Logistic Regression效果好呢？做完这次试验你不难发现，我们的θ不再只有一个，而是有多个，在多个参数的拟合下，效果当然会比一个参数好啊。当然还有过拟合问题，在Logistic Rgression当中我们可以通过添加正则项来解决，而在神经网络当中，却不行，所以样本一定要多，不然咱们还是洗洗睡吧。
结语
没学神经网络的时候，感觉很高端。学了以后，发现真的很高端。hhhh，不过总的来说，自己能够把简单的神经网络构建出来，已经很开心了，希望好好努力，加油！
