吴恩达深度学习笔记（一）week4 深层神经网络

---

虽然神经网络的层数变为深层，但推导过程和上周的一样

---

深层神经网络中的前向传播与反向传播

前向传播需要输入A[0]也就是X来初始化；A[0]对应一整个输入样本的输入特征（其中每一列代表的是一个样本的特征），即A[0]=（a[0],a[1],a[2]⋯a[m])，对应任意层l，设其输入为a[l−1],输出为a[l]，前向传播过程为：
z[l]=W[l]a[l−1]+b[l]
a[l]=g[l](z[l])
向量化：
Z[l]=W[l]A[l−1]+b[l]
A[l]=g[l](Z[l])

反向传播：输入为da[l],输出为da[l−1]、dW[l]、db[l]

前向传播和反向传播的总结如下：

---

核对矩阵的维度

设第l层的神经元个数为n[l]则
W[l]的维度为（n[l]，n[l−1])
b[l]的维度为（n[l]，1)
z[l]、a[l]的维度为（n[l]，1)
向量化 W[l]、b[l]维度不变， A[l]、Z[l]的维度变为（n[l]，m) ，m为输入样本的个数。