神经网络是一种以人脑为模型的机器学习，简单地说就是创造一个人工神经网络，通过一种算法允许计算机通过合并新的数据来学习。
在前面学习了线性回归和logistic回归后，在应对多特征值时往往需要庞大的计算量，而且可能存在过拟合现象。神经网络的学习就显得尤为重要。
我们大脑中有许多神经元，神经元包含轴突和树突，树突作为输入信号端，轴突的主要功能是将神经冲动由胞体传至其他神经元。而我们大脑之间的神经元相互直接协调合作，对某一特定事物进行学习。
神经元
神经元结构
我对神经网络学习的看法：就是多个输入端经过某一种特定的加权算法得到多个或一个输出端，这些在上一层输出的值,再作为下一层的输入端进行加权输出，最后得到正确的预测输出。我认为最重要的是找到每一层加权的权重。
权重矩阵的规格是（上一层的层数+1）*（下一层的层数)。因为有一个biasunti存在 就是上一层通常有一个x0=1。
输入层输出层隐藏层的定义
神经网络学习
example1：进行XNOR（异或运算)
神经学习对两个数的异或运算推算过程
上图中通过输出的三组特征量通过加权矩阵得到下一组特征参数a1,a2。再通过加权矩阵得到结果集
多分类问题：
给出训练集结果的时候用向量组来表示，每个结果集向量组代表多分类中不同的类别