（p1）同學(xué)們大家好，我們來(lái)學(xué)習(xí)第二節(jié)神經(jīng)網(wǎng)絡(luò)搭建在神經(jīng)網(wǎng)絡(luò)搭建過(guò)程最核心的知識(shí)點(diǎn)就是前向傳播算法。(p2)那什么是前向傳播算法呢？它是forwardpropagation。它是指神經(jīng)網(wǎng)絡(luò)向前計(jì)算的過(guò)程。前向傳播算法會(huì)涉及到神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)的連接結(jié)構(gòu)，以及每個(gè)神經(jīng)元的參數(shù)，如圖，就是一個(gè)兩層的神經(jīng)網(wǎng)絡(luò)。比如說(shuō)像這個(gè)X1和X2，我們可以把它當(dāng)做成績(jī)分類(lèi)的兩個(gè)指標(biāo)，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)計(jì)算后。從Y1Y2是輸出成績(jī)的類(lèi)別。那么。在這個(gè)圖中，權(quán)重和隱藏層的神經(jīng)元的，它是右上角的1，它表示權(quán)重和神經(jīng)元的層號(hào)。也就是第一層的權(quán)重，以及第一層的神經(jīng)元。此外，權(quán)重的右下角有兩個(gè)數(shù)字，它們是后一層神經(jīng)元和前一層神經(jīng)元的索引號(hào)，比如說(shuō)W12。表示前一層的第二個(gè)神經(jīng)元X2到后一層的第一個(gè)神經(jīng)元的權(quán)重。所以權(quán)重右下角是按照后一層的索引號(hào)、前一層的索引號(hào)的順序排列。（p3）那么為了確定前面的內(nèi)容。現(xiàn)在用這個(gè)數(shù)學(xué)公式A1的一次方啊，通過(guò)加權(quán)信號(hào)和偏置。按公式進(jìn)行計(jì)算，比如說(shuō)我們的A1的一次方等于啊，W11的一次方乘以X1，加上W12的一次方乘以X2加上be的一次方。那此外如果用矩陣的乘法進(jìn)行計(jì)算的話，用這個(gè)公式來(lái)進(jìn)行操作啊，比如A的一次方等于XW的1次方，加B的一次方。隱藏層的加權(quán)信號(hào)和偏值的總和用A表示，被激活函數(shù)轉(zhuǎn)換后的信號(hào)一般用Z表示。我們使用的sigmoid函數(shù)來(lái)進(jìn)行激活函數(shù)的轉(zhuǎn)換的信號(hào)。Z1等于sigmoid(A1)所用的激活函數(shù)，要根據(jù)求解問(wèn)題的性質(zhì)去決定，比如一般回歸問(wèn)題可以使用恒等函數(shù)。二元分類(lèi)問(wèn)題可以用sigmod的函數(shù)啊，多元分類(lèi)問(wèn)題呢，我們可以使用softmax函數(shù)。關(guān)于激活函數(shù)的更多知識(shí)我們將在后續(xù)內(nèi)容中詳細(xì)講解（p4）在實(shí)際建模解成績(jī)及格分類(lèi)預(yù)測(cè)問(wèn)題時(shí)，首先隨機(jī)初始化網(wǎng)絡(luò)模型的權(quán)重和偏置參數(shù)，然后每次用訓(xùn)練數(shù)據(jù)計(jì)算得到一個(gè)預(yù)測(cè)值，接下來(lái)將預(yù)測(cè)值步與真實(shí)值y比較，如果相差較大，則通過(guò)反向傳播算法調(diào)整參數(shù)的取