一、引子
对于非线性的分类问题，当自变量较多的时候，用之前的回归的方法就会非常复杂，因为在我们要拟合的函数项的可能性会爆炸。
例如，如果我们有100个自变量（x1、x2、x3...x100），如果只考虑最后是二阶的函数，那么特征就有：x1、x1^2、 x1x2、x1x3...x100、x100^2， 复杂度是O(n^2)
那么这种输入很多的情况会怎么出现呢？
计算机视觉！！
随便一张可辨认内容的图片，像素都是几百几千朝上的。
假如有一张50*50像素的图片，那么这张图片上一共就有2500个像素点，如果我们要构造二阶的拟合函数，那么特征数量就会是百万级的！！！
二、神经元与大脑
神经网络其实是个很早就被提出了，曾经因为受限于硬件水平而销声匿迹，近几年才重新热起来。
相关的生物学原理与脑干切除手术有关，就不详述了。
三、模型表示
1.单个神经元
真正的神经细胞由细胞体和突起组成。
而突起又分为树突和轴突。树突接收多个其他神经细胞的冲动，而轴突向多个其他神经细胞传递冲动。
因此，模仿生物细胞建立模型——Logistic unit（逻辑单元）。
在我们的神经网络模型中，逻辑单元包括输入和输出，决定如何输出的函数叫激活函数（g(z)），而决定x在z中系数的Θ又叫作权重。
参考之前逻辑回归使，会有一个常数项。所以，在某个神经元之前的所有神经元中，有时会设置一个值永远固定为1的单元，叫做bias unit（偏置单元？？）。
2.神经网络
由多层的神经元组成的网络。
第一层被叫做输入层（input layer）；输出最后值之前的最后一个网络叫作输出层（output layer），输出层只有一个神经元；中间的叫做隐藏层（hidden layer），因为这种层的结果我们不需要去理解。
3. 参数表示
- ai(j)→j层的第i个神经元的activation（激活？？）
- Θ(j)→由第j层到第j+1层的映射权重矩阵，这个矩阵的尺寸取决于j层和j+1层的单元数。
若s(j)表示第j层的单元数，则Θ(j)的维度为：(s(j+1))*(s(j)+1)。s(j)+1，加的是偏置单元。
前向传播
其实与之前的回归差不多，但是之前是一次性把那么多特征纳入到一次训练中，而神经网络前向传播是把这个过程拆分给了多个层去完成，这样比较适合并行计算。
四、应用
1.非线性分类问题：XOR/XNOR
XOR，异或
XNOR<=>NOT(XOR)互斥反或
都是非线性的
可以通过AND、OR、NAND、NOR这些线性的分类问题来构造
AND
令z=20x1+20x2-30
h(z)=1/(1+e^(-z))
注意！！这里我作图的时候把蓝色“x”当成false，红色“o”当成true，后面OR的图像又不一样了（懒得改了，意会即可）
OR
令z=20x1+20x2-10
h(z)=1/1(e^(-z))
蓝色“o”是true，红色“x”是false
具体表格就不放了
NOT x
z=10-20x
(NOT x1）AND（NOT x2）
蓝色“o”是false，红色“x”是true
终于，我们凑齐了XNOR的两种可能情况，一种是两个同为true（x1 AND x2），另一种是两个同为false（（NOT x1）AND（NOT x2）），这是第一层到第二层；用OR将这两种情况（即两个节点）再关联起来，则会得到XNOR的结果，这是第二层到第三层。
这样的XNOR的逻辑网络就总共有三层，包括bias unit，总共有7个节点
2.多分类
one-vs-all
之前在回归方法中就说过多分类，方法是一样的，最后输出的不是一个数字，而是一个向量，向量的模约等于1，为1的维度即对应着输入哪一类
