假设神经网络的训练样本有????个，每个包含一组输入????和一组输出信号????，????表示神经网
络层数，????????表示每层的neuron 个数(????????表示输出层神经元个数)，????????代表最后一层中处理单元
的个数。
将神经网络的分类定义为两种情况：二类分类和多类分类，
二类分类：???????? = 0, ???? = 0 ???????? 1表示哪一类；
????类分类：???????? = ????, ???????? = 1表示分到第i 类；(???? > 2)
我们回顾逻辑回归问题中我们的代价函数为：
在逻辑回归中，我们只有一个输出变量，又称标量（scalar），也只有一个因变量????，但
是在神经网络中，我们可以有很多输出变量，我们的ℎ????(????)是一个维度为????的向量，并且我们
训练集中的因变量也是同样维度的一个向量，因此我们的代价函数会比逻辑回归更加复杂一
些，为：
这个看起来复杂很多的代价函数背后的思想还是一样的，我们希望通过代价函数来观察
算法预测的结果与真实情况的误差有多大，唯一不同的是，对于每一行特征，我们都会给出
????个预测，基本上我们可以利用循环，对每一行特征都预测????个不同结果，然后在利用循环
在????个预测中选择可能性最高的一个，将其与????中的实际数据进行比较。
正则化的那一项只是排除了每一层????0后，每一层的???? 矩阵的和。最里层的循环????循环所
有的行（由???????? +1 层的激活单元数决定），循环????则循环所有的列，由该层（????????层）的激活单
元数所决定。即：ℎ???? (????)与真实值之间的距离为每个样本-每个类输出的加和，对参数进行
regularization 的bias 项处理所有参数的平方和。