吴恩达视频观后感三（浅层神经网络backpropagation中求导问题）
作者：互联网
这个图是具有隐藏层的浅层神经网络，其中一些基础的求导已经整理过：
https://blog.csdn.net/nyist_yangguang/article/details/110233726
在本图中，
L是包含第二层神经元的参数a和分类值y （L的值是一个单样本误差，cost函数是全体样本的损失平均值，即误差平均值），方程：
这里面的y hat就是a，y就是分类值。
z是第二层神经元的输出值，在此基础上需要让z当做激活函数的自变量，来求出一个合适的a，即y hat。
W和x的维度关系也整理过了 https://blog.csdn.net/nyist_yangguang/article/details/110393335
但是此处的W定义就是一个行向量 https://blog.csdn.net/nyist_yangguang/article/details/110800025
W是一个行向量（在第一层是个矩阵，此处只有一个神经元），x是一个矩阵（各列是各样本信息，或者是上一层各神经元计算结果），但是
中，dz是一个行向量，a就是x，是矩阵，
两者相乘还是一个行向量，但是大家都知道，W是一个列向量（https://blog.csdn.net/nyist_yangguang/article/details/110393335），所以求过之后需要转置。
标签：吴恩达,观后感,blog,backpropagation,csdn,details,https,nyist,net 来源： https://blog.csdn.net/nyist_yangguang/article/details/110794121