1.深层神经网络
逻辑回归是一个very shallow network: 
只有一个隐藏层的网络是一个2 layer neural netowork,也称shallow neural network: 
隐藏层>=2的网络称为deep neural network: 
关于深层神经网络的notation定义如下：
n[l]：表示第l层的神经元数目
a[l]：表示第l层的激活函数的值（也是该层的输出，下一层的输入） 
w[l]：表示l层计算z[l]时的权重
2.网络中的前向传播与反向传播
2.1 前向传播
对于第l层：
input: a[l-1]
output:a[l]
中间过程： z[l] = w[l] * a[l-1] + b[l] a[l] = g[l](z[l])
(g[l]是第l层的激活函数）
用向量化的形式表示出来： Z[l] = W[l] * A[l-1] + b[l] A[l] = g[l](Z[l])
当有n层神经网络的时候，可以使用for循环，目前没有更好的办法替代for循环。
2.2 反向传播
对于第l层：
input: da[l]
output: da[l-1],dw[l], db[l]
中间过程：
dz[l] = da[l] * g[l]’(z[l])
dw[l] = dz[l] * a[l-1]
db[l] = dz[l]
da[l-1] = w[l]T * dz[l]
可以进一步推导：
dz[l] = w[l+1]T * dz[l+1] * g[l]’(z[l])
用向量化的形式表示出来：
dZ[l] = dA[l] * g[l]’(Z[l])
dW[l] = 1/m * dZ[l] * A[l-1]
db[l] = 1/m * np.sum(dz[l], axis=1, keepdims=True)
dA[l-1] = W[l]T * dZ[l]
3.核对矩阵的维数
假设有一个5层的神经网络，每层的神经元分别为3，5，4，2，1
layer 1:
z1 = w1 * x + b1
z,w,x,b的维度分别为 
Layer 2: 
以此类推，课总结出规律： 
向量化后的维度：
非向量化是： 
向量化后是： 
4.为何使用深层表示
深层神经网络有很大的优势
1.首先可以处理维度很高的特征，比如说图像，语音
2.其次可以用无限个异或组合来你何处任何训练集
5.搭建深层神经网络块
针对第l层
前向计算：
input: a[l-1]
output: a[l]
中间过程： z[l] = w[l] * a[l-1] + b[l] a[l] = g[l](z[l])
(g[l]是第l层的激活函数）
反向传播：
input: da[l]
output: da[l-1],dw[l], db[l]
两个过程如下： 
6.参数与超参数
6.1 参数
神经网络中涉及的参数有两类：w, b 
6.2 超参数
涉及的超参数：
（1）learning rate 学习率
（2）iterations 迭代次数
（3）hidden layers’ number 隐藏层的数目
（4）hidden units 每个隐藏层的神经元数目
（5）choice of activation function 激活函数的选择
（6）momentum
（7）mini batch size
（8）various forms of regularization parameters
6.3 如何选择超参数
可以用以下图形来判断超参数在cost和iterations上的变化。 