#写在最前，deeplearning.ai系列课程相较于之前的Andrew Ng在coursera上2014发布的机器学习课程内容更加丰富。
重要的是此次课程示例代码都是用python来实现，不需要去熟悉octave，对大部分需要用python来学习机器学习的同学来说是个福音！
原课程视频请移步网易云课堂或者coursea上学习。
#本文内容部分来自网络，只为自己学习以及分享供更多的人学习使用
1、深层神经网络
第层神经网络，单个样本其各个参数的矩阵维度为：
- ：
- ：
- ：
- ：
- ：
- ：
- 用表示层数,该神经网络
- 表示第层的神经元的数量，例如
- 表示第层中的**函数,
2、前向传播和反向传播
- L：DNN的总层数；
- ：表示第层的包含的单元个数；
- ：表示第层**函数的输出；
- ：表示第层的权重；
- 输入记为，输出记为。
对于前向传播（Forward propagation）
对
而对于反向传播（Backward propagation）
用图形简单表示为：
3、超参数
参数：
参数即是我们在过程中想要模型学习到的信息，。
超参数：
超参数即为控制参数的输出值的一些网络信息，也就是超参数的改变会导致最终得到的参数的改变。
例如：