8 - 3 - Model Representation I (12 min).
模型表示1
本文重点：
上节课分享了8-1，本节课程直接分享8-3，原因就是8-2的意义不大，这里省略了。首先介绍了神经元有多个输入和一个输出，每一个神经元可以看成是逻辑回归，多个神经元组合而成了神经网络。并且解释了一下从输入样本开始，我们的数据怎样从输入层到输出层进行计算的，现在将神经网络简单的看成就是多个逻辑回归的组合。
如果我们要是使用神经网络的时候，我们应该如何表示我们的假设或者模型呢？
如上所示这个就是一个神经元，每一个神经元都是一个处理单元（神经核），它有很多的输入（树突）和一个输出（轴突），神经网络是大量神经元相互连接并通过电脉冲来交流的一个网络。
神经元和神经元之间是通过弱电位沟通的，这些弱电流也被称为动作电位。所以神经元要想沟通，它就会通过它的轴突发送一段微弱电流给其它神经元的树突，然后这个神经元计算以后，继续通过轴突传递给其它的神经元的树突，以此类推。
神经网络模型建立在很多神经元之上，每一个神经元又是一个学习模型。这些神经元（也叫激活单元，activation unit）采纳一些特征作为输入，并且根据本身的模型提供一个输出。下图是一个以逻辑回归模型作为自身学习模型的神经元示例，在神经网络中，参数又被称为权重（weight）。
其中hθ(x)为：
模型参数θ我们在神经网络中称为权重。
当我们在绘制一个神经网络的时候，我们通常只绘制输入结点x1，x2，x3，但有时也可以额外增加一个额外的结点x0。X0被称为偏置单元或偏置神经元，但因为x0=1，所以有时候会画出它，有时候不会画出它，这取决于是否对例子有利。
有些时候，我们会称神经元为一个有s型函数或者逻辑函数作为激励函数的人工神经元，在神经网络术语中，激励函数只是对类似非线性函数g(z)的另外一个术语。
我们可以把神经元的作用定义为：对输入z执行激励函数从而得到激励g(z)
我们现在已经知道了一个小圆圈就是一个神经元，那么很多个小圆圈组合到一起就是一个神经网络。如下所示：
我们可以看出这个神经网络中一共有三层（输入层按照道理不算神经网络的层数，这里暂时算），首先我们来看第一层Layer1（输入层，输入特征项）：它有输入单元x1、x2、x3和额外的结点x0=1（偏执单元bias unit）。
我们此时再来看一下第二层Layer2（隐藏层）：它有神经元a1（2）、a2（2）、a3（2）和偏置单元a0=1。隐藏层的作用就是接收上一层的数据，然后将数据进行处理，最后呈递到下一层。
第三层Layer3(输出层),它的作用就是计算hθ(X)
注意：神经网络中只有一个输入层和一个输出层，但是可以有多个隐藏层，我们可以看到神经网络的输入，也可以看到神经网络的输出，但是隐藏层中的值你是看不到的。
为了更加方便地表示神经网络，我们要引入一些特定地符号：
参数θ是第j 1层的激活单元为行数，以j层的激活单元数 1，之所以加1是因为我们一般在第j层加上一个偏置单元，如果要是不加这个偏指单元的话，就不用加1了。
