P.S.:  说三个比较重要的事情：

i.  我突然的发现自己忘了把代码上传，于是决定在这周末上传到github中。如果这个section中包含了实例代码，我会更新文章并把github上的链接放在文章的开头。

ii. 刚才看了看之前写的，发现有部分文章没有上传。待我回去找找上传上去。没关系，第4章讲的都是基础概念，第5,6章才是重点。

iii. 翻译了这么久，似乎只在第一篇上粘贴了翻译的书籍 。这是我的失误，现在给出翻译来源：

http://shop.oreilly.com/product/9781939902351.do

目前，我们已经使用过了简单的神经网络。无论是线性的还是逻辑回归的模型都是这样的单个神经元：

1.将一个输入特征按照权重求和。偏置（bias）可以被认为是输入的特征值为1的权重。我们称之为线性组合的功能。

2.然后使用激活或者是传递函数来计算输出。（Then apply an activation or transfer function to calculate the

output）。如果是线性回归，转换函数是恒等的（the identity），然而逻辑回归用的是sigmoid函数作为转换器。

下图绘制出了每个神经元的输出、处理和输出：

如果是softmax classification的话，我们使用C个神经元对应每一种可能的输出类别：

现在，为了解决更多复杂（difficult）的问题，我们需要更加优秀的模型（a more developed model.）例如：读取手写体数字或者是在图像中识别猫和狗。

来让我们从一个简单的例子说起。假设，我们想要构建一个神经网络来适合XOR(eXclusive OR异或)的boolean操作：

当任一输入等于1时，它应返回1，但两者都相同的时候不会返回1。

这似乎是我们迄今为止所尝试的一个更简单的问题，但是我们提出的模型却都没有解决。

原因是S型神经元需要我们的数据线性分离才能使其工作更好。这意味着必须在二维数据（或更高维度数据中的超平面）中存在一条直线，它将属于同一侧的类的所有数据样本分开，如下所示：

从这个图标中我们可以看出点作为数据样本，相同的类别是相同的颜色。只要我们可以找出一条黄线可以完全分离图表中的红色和蓝色点，则S型的神经元对于该数据集将工作正常。

来让我们看看XOR门（异或门）函数绘制的图表：

我们找不到一条分割图表的直线，留下一边的所有1（红点），另一边留下0（蓝点）。所XOR函数输出不是线性可分离的。

这个问题实际上导致了神经网络研究在1970年代左右大约十年左右的失去其重要性。那么他们如何解决缺乏线性可分性来继续使用网络？他们通过在网络的输入和输出之间插入更多的神经元来完成，如图所示：

你看，我们在输入层和输出层之间添加了隐含层。你可以认为它允许我们的网络向输入数据询问多个问题，隐藏层每个神经元对应一个问题，最后根据这些问题的答案决定输出结果。

从图上来看，我们允许网络绘制多个单独的分隔线：

正如你再图中看到的一样，每行将平面的第一个问题划分给输入数据。然后，你可以将所有相等的输出在一个区域中组合在一起。

在本书的后面，我们介绍不同类型的深层神经网络，用于不同的使用场景。

下一期：梯度下降和反向传播