目录

3.1 神经网络概览（a激活值）

3.2 神经网络表示

3.3 神经网络的输出（矩阵的n*m有点模糊 矩阵转置）

3.4 多个例子中的向量化

3.5 向量化实现的解释（为什么可以将多个样本向量化的正确实现）

3.6 激活函数

3.7 为什么需要非线性激活函数（可忽略）

3.8 激活函数的导数

3.9 神经网络的梯度下降法（包含正向传播、反向传播公式） ​编辑

3.10 直观理解反向传播（选学（参考本节3.4内容包含的（矩阵是几行几列的定义））（维数判断难点以及dz1的求导模糊！！！）

3.11 随机初始化（乘个0.01）

3.1 神经网络概览（a激活值）

3.2 神经网络表示

3.3 神经网络的输出（矩阵的n*m有点模糊 矩阵转置）

3.4 多个例子中的向量化

 3.5 向量化实现的解释（为什么可以将多个样本向量化的正确实现）

 3.6 激活函数

3.7 为什么需要非线性激活函数（可忽略）

 3.8 激活函数的导数

 3.9 神经网络的梯度下降法（包含正向传播、反向传播公式） 

下图为2.9章公式内容总结

3.10 直观理解反向传播（选学（参考本节3.4内容包含的（矩阵是几行几列的定义））（维数判断难点以及dz1的求导模糊！！！）

3.11 随机初始化（乘个0.01）

 总结：