吴恩达深度学习专项课程（三）：浅度神经网络

在上一堂课程中，我们探讨了逻辑回归——一种经典的机器学习方法。我充满热情地尝试使用它构建了一个用于区分猫狗的分类模型，然而最终获得的准确率仅为57%，这个结果令人颇为失望。恰逢本周课程内容转向更为复杂的模型实现，这让我下定决心要扭转局面，争取取得更好的成绩！

在正式进入本周的学习之前，先回顾一下上周所学的内容。

针对一个神经网络模型，首先需要明确其整体架构（通常以数学表达式的形式进行定义），同时确定相应的损失函数。基于损失函数与网络结构的设计，可以对网络参数进行求导运算，并通过梯度下降法来最小化该损失函数。

换句话说，无论何种类型的神经网络，其基本构成要素始终包含以下几个方面：

• 网络结构
• 损失函数
• 优化方法

而在实际编写代码实现神经网络的过程中，除了用编程语言描述上述三个核心部分外，还需要获取数据 和对数据进行预处理 等操作。

本节课将介绍一个更为复杂的模型，在知识范畴上仍属于上述内容的延伸。随着后续学习的深入我们会发现，浅层神经网络中的损失函数 和优化方法 与之前所学的逻辑回归基本保持一致。因此我们应重点关注的是网络结构 的变化。

在正式开始学习前，建议大家提前做好心理准备，了解大致的学习内容和目标。

温馨提示：本文篇幅较为冗长。如希望阅读精简版本，请参考我在其他平台发布的[文