（1）非线性假设
图片有大量的数据集，产生大量的特征
（2）模型表示1
以逻辑回归模型作为自身学习模型的神经元示例，在神经网络中，参数又可被成为权重（weight）
第一层成为输入层（Input Layer），最后一层称为输出层（Output Layer），中间一层成为隐藏层（Hidden Layers）。我们为每一层都增加一个偏差单位（bias unit）：
上面进行的讨论中只是将特征矩阵中的一行（一个训练实例）喂给了神经网络，我们需要将整个训练集都喂给我们的神经网络算法来学习模型。
我们可以知道：每一个𝑎都是由上一层所有的𝑥和每一个𝑥所对应的决定的。（我们把这样从左到右的算法称为前向传播算法( FORWARD PROPAGATION)）
把𝑥, 𝜃, 𝑎 分别用矩阵表示，我们可以得到𝜃 ⋅ 𝑋 =𝑎 ：
（3）模型表示2
以图2-1所示，计算第二层的值：
由图2-1可知，最后结果h(x)就是的值。这只是针对训练集中一个训练实例所进行的计算。如果我们要对整个训练集进行计算，我们需要将训练集特征矩阵进行转置，是的同一个实例的人特征都在同一列里。即：
（4）特征和直观理解
神经网络中，单层神经元（无中间层）的计算可用来表示逻辑运算，比如逻辑与(AND)、逻辑或(OR)。
（5）样本和直观理解
AND、OR等组合逻辑运算的神经网络
（6）多元分类
要训练一个神经网络算法来识别路人、汽车、摩托车和卡车，在输出层我们应该有 4 个值。例如，第一个值为 1 或 0 用于预测是否是行人，第二个值用于判断是否为汽车。输入向量𝑥有三个维度，两个中间层，输出层4 个神经元分别用来表示4 类，也就是每一个数据在输出层都会出现[𝑎 𝑏 𝑐 𝑑]𝑇，且𝑎, 𝑏, 𝑐, 𝑑中仅有一个为1，表示当前类。下面是该神经网络的可能结构示例：
