4-5 搭建神经网络块

搭建神经网络块（ Building blocks of deep neural networks）

在神经网络中正向步骤的结构，我把它成为称为正向函数，类似的在反向步骤中会称为反向函数。

单一模块的正向函数和反向函数可以使用下面的图示表示：

对于第l层的正向输入函数，输入为${a^{[l - 1]}}$,输出为${a^{[l]}}$，为了计算结果，需要使用${W^{[l ]}}$，${b^{[l ]}}$以及输出到缓存的${z^{[l ]}}$。

对于反向函数，输入是$d{a^{[l]}}$，输出是$d{a^{[l - 1]}}$$d{z^{[l]}}$，$d{W^{[l]}}$，$d{b^{[l]}}$。

整个神经网络实现的模块构成可以使用下图表示：

神经网络的训练是从${a^{[0]}}$开始，也就是x，然后经过一系列的正向传播计算得到$\hat y$，在这一系列计算过程中缓存z的值。

反向传播就是反向计算梯度，并且在每层更新w，b：

反向传播计算完成之后，我们就完成了神经网络的一个梯度下降循环。

需要特别注意的是，在正常传播过程中缓存z，将会提高之后反向传播过程中dW、db的计算效率。