神经网络第一层（隐藏层）计算过程

1.输入向量

输入向量x，x包含四个数字，它作为第一层的输入特征。

2.神经元的计算

每个神经元都是一个逻辑回归模型，因此都具备自己的w，b参数，使用向量x计算g(z)函数，激活项表示概率，例如有0.3或0.7的概率想要T恤。

2.标识不同神经元

下标数字，表示该参数属于一层里哪个神经元。

3.层输出（激活）向量

第一层的3个激活值，合并成激活向量a。

4.神经网络分层

此示例中，输入层为0层，隐藏层为1层，输出层为2层。

5.标识不同层

上标使用中括号+数字来区分不同层，例如隐藏层的参数上标标注1，隐藏层的激活向量a上标标注1。

神经网络第二层（输出层）计算过程

1.输入向量

第1层的激活项为第2层的输入特征，因此神经元计算需要的输入特征x，就是激活向量a，激活向量a表示第1层的输出结果，因此右上角标注1。

2.层输出（激活）

第2层只有1个神经元，因此激活值只有一个0.84，a的右上角标注2，表示第2层的激活值。

3.标识不同神经元和层数

右上角的2，表示这些参数是第2层。有下角的1，表示这些参数属于这层的第1个神经元。

神经网络的最终预测

最终预测结果为0.84，它代表产品畅销的概率。同时可以将输出转换为二分类，使用阈值来将结果设定为是否畅销，如果大于等于0.5，则y=1表示畅销，如果小于0.5，则y=0表示不畅销。

总结

神经网络会存在很多层，每一层也存在很多神经元。每一个神经元都可以作为一个逻辑回归模型，因此每个神经元都有自己的参数w，b。区别不同的神经元参数，每个参数的下标标记数字。为了区别不同的层，每个参数的上标标记数字。每一层的激活项都是下一个层的输入特征，因此每一层的输入，上标标记上一层的层数，同时每一层的激活项，上标标记本层的层数。