Tensorflow实践Google深度学习框架

博主好久没有更新了，以后继续坚持吧

第四章阐述了深度神经网络所揭示的核心原理，在第三章中讨论了基于线性代数的方法构建的模型被称为线性模型。具体而言，在单变量情况下输出变量与预测值之间形成一条直线轨迹；类似地，在多变量情况下则构成了n维空间中的平面结构。

在前面的介绍中的为：

计算得到a等于x乘以第一个权重矩阵的结果，并进一步计算y等于a乘以第二个权重矩阵的结果。具体来说，在这里x代表输入数据向量。这等价于y等于a分别与第一个和第二个权重矩阵相乘后的结果。所有输入、输出以及参数均为矩阵形式，在这种情况下我们需要采用矩阵乘法运算以确保整个系统的连接性与功能性需求得以满足。

此处为何要探讨线性模型？为了引出激活函数。因为其局限性非常显著, 举一个例子来阐述问题。

如下图：

若使用线性模型进行分类，则等同于在二维空间中用一条分隔线将两类数据点区分开来；然而，在图中我们能够直观地观察到这一情况是无法实现的。

为了提高模型的表现力（activation），我们需要引入一种称为**activation function（活化函数）**的技术。这种技术能够将原本仅能处理线性关系