motivation
如果逻辑回归的特征有很多，会造出现一些列问题，比如：
线性假设的限制： 逻辑回归是基于线性假设的分类模型，即认为特征与输出之间的关系是线性的。如果特征非常多或者特征与输出之间的关系是非线性的，逻辑回归可能无法很好地进行分类。
特征间相关性： 如果特征之间高度相关，逻辑回归可能会受到多重共线性的影响，导致参数估计不稳定或难以解释。
非线性决策边界的需求： 在复杂的分类问题中，数据可能需要非线性的决策边界来更好地进行分类。
相比之下，神经网络有一系列的优势：
非线性关系建模： 神经网络能够学习复杂的非线性关系，因此在特征与输出之间存在非线性关系或需要复杂的决策边界时，神经网络通常能提供更好的性能。
自动特征学习： 神经网络能够通过隐藏层自动学习特征的高级表示，无需手动进行特征工程，这对于大量特征的问题尤为有利。
适应性强： 神经网络通常对数据中的噪声和复杂性具有一定的鲁棒性，能够更好地泛化到新的数据集。
简单人工神经网络
那么简单介绍一下神将网络：
上面是一个简单人工神经网络，x1-->x3是输入的特征，每个特征都会乘上相应的参数最后得到一个值。(这样看起来和线性回归差不多)
复杂神经网络(旧版本)
接下来介绍一个稍微复杂一点的：
首先定义一些术语：
| 第i层，第j个神经元的激活项 | |
| 从j层到j+1层的权重矩阵（注意，行从1开始，列从0开始） | |
| 激活项 | 由一个神经元接受并输出的值 |
注意：
其中g是激活函数。
这里可能不容易理解：
其实是一个矩阵：
上图其实还有一个隐藏的没有画出。就像第一个图一样，这个
是用来调节参数的。
在上图中表示：第二层的第i个神经元接受第一层的第j个特征值，形成的参数(权重)。权重乘上相应的数值得到的值(这个神经元接受前面的所有的神经元传递给他的值的和)(如上
是由前面x0,x1,x2,x3传递给第二层第一个神经元得到
,再通过激活函数g映射得到数值。)
得到结论：
一个神经网络的第j层有个单元，第(j+1)层有
个单元，那么从j到(j+1)层的权重矩阵属于
。即形状为
。
复杂神经网络(新版本)
我们再来看一下另一种解释(其实本质差不多，只不过最新的术语有些改变)
| 第i层输入出向量 | |
| 这个神经元的权重 | |
这里面x就是一个特征向量矩阵，叫做0层(layer0),与上面一个版本有所不同，上面一个版本吧输入的x叫做layer1。这里面，我们把每一个圆形叫做一个“神经元”，每个神经元都有两个参数，分别是向量和参数b。这个向量
的维度与其前一层神经元的个数有关，如果前一层神经元有n个那么这个向量
就是n维，因为这样才可以出现下面图展示的：
这里可以简化为：
注意:每一层的g函数是一样的，不同层的g函数可以不一样。为了统一，我们经常把输入层(layer0)叫做（
）
向前传播(预测)
接下来看一下如何前向传播（通俗点讲叫预测，注意不包含训练）
我们将预测图像显示的是1 or 0。
下面的一个图像是灰度像素展示，是一个1。
我们按照行，把每行首尾相连，组合成一个8*8=64维的向量，把它作为x(输入层，)。
然后我们搭建我们的神经网络：
计算过程：
向前传播在python中实现：
已知有上面的神经网络。
将这几个权重整合在一起：
w = np.array([
[1, -3, 5],
[2, 4, -6]
])注意，是两行三列，
b = np.array([-1, 1, 2])a_in = np.array([-2, 4])接下来要创建一个函数用来搭建每一层网络。
def dense(a_in, W, b, g):
units = W.shape[1] # 计算这一层有多少个单元
a_out = np.zeros(units) # 初始化输出
for i in range(units):
w = W[:, i] # 取出W的第j列，也就是第j个单元的w向量,注意这里取出的w是1D向量
z = np.dot(w, a_in) + b[i] # 这里的a_in也是1D向量
a_out[i]=g(z) #g为激活函数
return a_out虽然已经有了网络，但是如何将已经有的网络连接起来呢？
还要建立一个函数：
def sequential(x):
a1 = dense(x, W1, b1, g)
a2 = dense(a1, W2, b2, g)
a3 = dense(a2, W3, b3, g)
a4 = dense(a3, W4, b4, g)
f_x = a4
return f_x代码的高效实现
W = np.array([
[1, -3, 5],
[2, 4, -6]
]) #不变
B = np.array([[-1, 1, 2]]) #变成二维
X = np.array([[-2, 4]]) #变成二维
def dense(A_in, W, B):
Z = np.matmul(A_in, W) + B #这个方法不支持标量
A_out = g(Z)
return A_out训练网络
对于下面网络：
我们调用tensorflow库，实现下面代码：
import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
model = Sequential(
[
Dense(units=25,activation='sigmoid')
Dense(units=15,activation='sigmoid')
Dense(units=1,activation='sigmoid')
]
)
from tensorflow.keras.losses import BinaryCrossentropy
model.compile(loss=BinaryCrossentropy)
model.fit(X,Y,epochs=100)注意，这里的tensorflow由于版本问题，可能不含keras,可以直接下载keras这个包。(自己搞了半天才研究出来，大哭)
注意上面的步骤：
- model = Sequential(..)
- model.compile(loss=...)
- model.fit(X,y,epochs=100)
