x.1 课程目录
为了开始我们的学习，我们会先列出我们的课程目录，诸如以下，
x.2 NN的发展
NN一开始是为了模仿人类大脑，但随着时间的演进，逐渐被使用在各种应用之中，
深度学习DL为何最近几年突飞猛进呢，这来源于数据和硬件，Big Data + GPU。
x.3 神经网络构造
接下来我们以购买衣服为例来讲述神经网络架构，假设我们的第二层有诸如afford ablility这个因素，从直觉上讲，我们觉得这个值是有price - a和shipping cost - a这两个因素构成的，那我们就将p-a和s-a构成两个神经元（由输出值和激活函数组成），这个神经元是不是很类似于生物学中的神经元，以此类推，我们会形成一个更加深层的网络，如下，
但是往往我们可能会有很多features，而我们并不知道哪些features是有用的，所以在这里我们将采用全连接的形式将所有的input layer中的元素来和hidden layer中的元素连接，这就构成了全连接层。为了加速计算，我们会将所有的输入输出全部向量化，于是每一层传递的实际上是一个向量，如下所示，
在这里回忆一下前几节讲的feature engineering特征工程，我们会根据输入的特征来重建我们所需要的features，所以神经网络相当于重塑了特征工程和特征筛选的功能，
关于NAS神经网络的架构，我们需要知道的是根据数据的不同，我们可能需要选取不同隐藏层的MLP（multilayer perceptron），而这个选择是根据数据驱使来选取的，
x.4 以人脸识别为例
在数字媒体中，对于一张图片，电脑看到的图像往往是如下的一串f(x, y)，
我们通过神经网络学习，发现随着网络层数的加深，网络更容易看到整体的信息，即如下的信息，
