1.代价函数
神经网络层数L，表示L层（最后一层）神经元个数，
表示每层的输出神经元数
二类分类：=1 输出层有一个神经元，输出的y是一个实数 y = 0 or 1 表示类别
多类别分类：一共有K类，则=K，输出层有K个神经元， （K>=3）输出是一个K维向量
代价函数：
每一行特征都会给出K个预测，可以利用循环对每一行特征都预测K个不同的结果，然后在利用循环在K 个预测中选择可能最高的一个，将其与y中的实际数据进行比较
2.反向传播
前向传播：第一层为样本输入，第二层开始每一层的Z都是上一层的 θ*a
:可以理解为第l（这是小写的L）层的第i个预测（
）在它的下一层的第j个预测（
）中占的比重
反向传播：
从最后一层的误差开始计算，误差是激活单元的预测（）与实际值（
）之间的误差，
注：下面的等价于之前的
3.使用神经网络时的简要步骤
