神经网络模型符号解释！！！蛮重要的，记不住的可以参考下。
神经网络模型符号解释！！！蛮重要的，记不住的可以参考下。
神经网络模型
所谓神经网络就是将许多个单一“神经元”联结在一起，这样，一个“神经元”的输出就可以是另一个“神经元”的输入。例如，下图就是一个简单的神经网络：
我们使用圆圈来表示神经网络的输入，标上“”的圆圈被称为偏置节点，也就是截距项。神经网络最左边的一层叫做输入层，最右的一层叫做输出层（本例中，输出层只有一个节点）。中间所有节点组成的一层叫做隐藏层，因为我们不能在训练样本集中观测到它们的值。同时可以看到，以上神经网络的例子中有3个输入单元（偏置单元不计在内），3个隐藏单元及一个输出单元。
我们用 来表示网络的层数，本例中 ，我们将第 层记为 ，于是 是输入层，输出层是 。本例神经网络有参数，其中 （下面的式子中用到）是第 层第 单元与第 层第 单元之间的联接参数（其实就是连接线上的权重，注意标号顺序）， 是第 层第 单元的偏置项。因此在本例中， ， 。注意，没有其他单元连向偏置单元(即偏置单元没有输入)，因为它们总是输出。同时，我们用 表示第 层的节点数（偏置单元不计在内）。
我们用 表示第 层第 单元的激活值（输出值）。当 时， ，也就是第 个输入值（输入值的第 个特征）。对于给定参数集合 ，我们的神经网络就可以按照函数 来计算输出结果。本例神经网络的计算步骤如下：
我们用 表示第 层第单元输入加权和（包括偏置单元），比如， ，则 。
这样我们就可以得到一种更简洁的表示法。这里我们将激活函数 扩展为用向量（分量的形式）来表示，即 ，那么，上面的等式可以更简洁地表示为：
我们将上面的计算步骤叫作前向传播。回想一下，之前我们用 表示输入层的激活值，那么给定第 层的激活值 后，第 层的激活值 就可以按照下面步骤计算得到：
将参数矩阵化，使用矩阵－向量运算方式，我们就可以利用线性代数的优势对神经网络进行快速求解。
以上内容参考了AG的文献，加上个人的理解！希望可以帮助到大家~