视频元信息
- 视频标题：3.2 神经网络的表现形式（Neural Network Representation）
- 所属课程：吴恩达深度学习专项课程 - 神经网络与深度学习（第一门课）
- 章节：第三周 浅层神经网络（Shallow Neural Networks）
- 课程语言：中英双语（官方字幕）
- 视频主题：讲解含单个隐藏层的两层神经网络的结构、各层命名、符号表示约定以及参数维度
内容摘要（TL;DR）
本视频以「单隐藏层神经网络」为例，逐一命名神经网络的各个组成部分：输入层、隐藏层、输出层。重点讲解神经网络的两大符号约定——方括号上标表示层号、隐藏层不计入层数（因此叫"2层神经网络"） ，并给出各层参数矩阵 W 和向量 b 的维度，为后续前向传播计算打基础。
一、神经网络结构图与各部分命名 [00:00]
本节从一张神经网络示意图出发，为图中每个部分命名。
1. 输入层（Input Layer）
图中最左侧是输入特征，记为 x₁、x₂、x₃，这一列节点构成输入层。
- 输入层负责接收原始特征数据。
- 理解：输入层本身不做计算，它只是把特征 x 传递给下一层。
2. 隐藏层（Hidden Layer）
中间一列圆圈构成隐藏层。
"隐藏层"这个名字的由来是本节的关键考点：在训练集中，我们只能观察到输入 x 和输出 y 的真实值，但中间这些节点的真实值（应该等于多少）是无法在训练集中被观测到的。正因为"看不见"，所以称为"隐藏层"。
- 训练集包含：输入 x 的值、输出 y 的值。
- 但隐藏层节点的"正确值"在训练集中并未给出，因此得名 hidden layer。
- 易错点：不要误以为"隐藏"是指网络结构不可见，它指的是训练数据中观测不到中间层真值。
3. 输出层（Output Layer）
最右侧单个节点构成输出层，负责生成预测值 ŷ（y hat） 。
- 输出层只有一个节点（在二分类/逻辑回归场景下）。
- 该节点负责输出最终预测结果。
二、神经网络中的符号表示约定 [01:34]
本节介绍如何用符号表示各层的值，这是后续所有公式的基础。
1. 用 a 表示各层传递的值
视频引入另一种记法：用 a 表示神经网络各层之间传递的值（激活值）。
- 输入层传递的值就是 x，因此可记为 a⁰ = x。
- 理解：a 来源于 "activation"（激活），表示经过该层计算后输出的值。
2. 方括号上标表示"层号"
核心符号约定：神经网络中用方括号上标
[l]明确表示该值/参数来自第几层。
- 例如 a^[1] 表示第 1 层的输出，a^[2] 表示第 2 层的输出。
- 易错点（重点区分）：
- 方括号上标 [ ] → 表示层号（layer）
- 圆括号上标 ( ) → 表示第几个训练样本（如 x^(i) 是第 i 个样本）
- 二者不要混淆。
3. 各层输出示例
- 输入层：a^[0] = x（3 维输入向量）
- 隐藏层：a^[1] 是一个 4 维向量（因为该层有 4 个隐藏单元）
- 也可写成 4×1 矩阵，或 4 列向量
- 之所以是 4 维，是因为该隐藏层有 4 个节点（4 个隐藏单元）
- 输出层：a^[2] 是一个实数，即 ŷ = a^[2]
推导：层内节点数决定了该层输出向量的维度。隐藏层 4 个节点 → a^[1] 是 4 维；输出层 1 个节点 → a^[2] 是标量。
4. 与逻辑回归的对比
- 在逻辑回归中，只有输出层，所以直接写 ŷ = a，不需要方括号上标。
- 在神经网络中，因为有多层，必须用方括号上标明确"来自哪一层"。
三、层数的计数约定：为什么叫"2层神经网络" [03:11]
本节讲解神经网络层数计数的一个"反直觉"约定。
考点：神经网络的层数不计算输入层。
- 隐藏层 = 第 1 层
- 输出层 = 第 2 层
- 输入层记为第 0 层（layer 0），但不算作正式层。
- 严格来说，这个网络有 3 层结构：输入层 + 隐藏层 + 输出层。
- 但在惯例、所有研究论文以及本课程中，都把这种网络称为 2 层神经网络。
- 原因：输入层不被视为一个"正式层"。
易错点：面试或考试中，"这个网络是几层？"的答案是 2 层（含 1 个隐藏层），不是 3 层。判断依据是不计输入层。
四、各层参数及其维度 [03:52]
本节介绍每层关联的参数 W 和 b，并给出维度。
1. 隐藏层（第 1 层）的参数
- 参数记为 W^[1] 和 b^[1]（方括号上标 1 表示属于第 1 层）。
- W^[1] 是 4×3 矩阵：
- 第一个坐标 4 = 该层有 4 个隐藏单元（4 个节点）
- 第二个坐标 3 = 有 3 个输入特征
- b^[1] 是 4×1 向量（4 个隐藏单元对应 4 个偏置）。
推导：W^[l] 的维度规律为（本层节点数 × 上一层节点数）。隐藏层 4 节点、上一层（输入层）3 节点 → 4×3。
2. 输出层（第 2 层）的参数
- 参数记为 W^[2] 和 b^[2]。
- W^[2] 是 1×4 矩阵：
- 输出层 1 个单元 × 隐藏层 4 个隐藏单元 → 1×4
- b^[2] 是 1×1（即一个标量，1 个输出单元对应 1 个偏置）。
3. 维度规律小结
| 层 | 参数 | 维度 | 含义 |
|---|---|---|---|
| 隐藏层（第1层） | W^[1] | 4×3 | 4个隐藏单元 × 3个输入特征 |
| 隐藏层（第1层） | b^[1] | 4×1 | 4个隐藏单元的偏置 |
| 输出层（第2层） | W^[2] | 1×4 | 1个输出单元 × 4个隐藏单元 |
| 输出层（第2层） | b^[2] | 1×1 | 1个输出单元的偏置 |
记忆口诀：W^[l] 的维度 = （第 l 层单元数，第 l-1 层单元数）。这是后续推导矩阵维度是否匹配的通用方法。
思考：视频提到参数维度将在后续视频详细展开，此处只需先建立"维度由相邻两层节点数决定"的直觉即可。
五、本节小结与下节预告 [04:56]
- 本节完整展示了一个含 1 个隐藏层的 2 层神经网络长什么样。
- 明确了输入层、隐藏层、输出层的命名与作用。
- 建立了符号约定：a^[l]、W^[l]、b^[l] 中的方括号上标表示层号。
- 下节预告：将深入讲解这个神经网络具体在计算什么——即如何从输入 x 一步步计算到输出 ŷ（前向传播）。
关键标签 / 关键词
神经网络表示 单隐藏层 输入层 隐藏层 输出层 2层神经网络 层数计数约定 方括号上标 激活值a 参数W和b 矩阵维度 4×3矩阵 1×4矩阵 前向传播 吴恩达深度学习 浅层神经网络
生成时间：2026-10-10 21:41:44 生成平台：VideoNote www.xygy.top
