对于识别猫图案例中y=wX+b公式的理解

y：图片中有猫的概率

X：图片的矩阵化表示

b：偏置量

问题：为什么通过训练，wx+b可以计算出图片中有猫的概率

分析：

X是图片的特征化向量表示，每一个维度代表图片的一个特征

为了方便理解，我们简单假设：

x1：眼睛特征

x2：四肢特征

x3：毛发特征

x4：尾巴特征

那么wx就可以理解为：

w1*x1：眼睛是圆形的概率

w2*x2：耳朵是三角形的概率

w3*x3：体表有毛发概率

w4*x4：身体有尾巴的概率

这样就可以理解为什么wx+b可以表示图片中包含猫的概率了。

当然实际的训练和计算过程没有这么简单，但我认为其中的转换都是这么个道理。

猫图识别过程理解：

原始输入的像素信息，通过第一层计算，可能会得到边缘、弧度等图像特征的数字化表示，这些简单的特征，再通过第二层计算，可能将眼睛、耳朵、毛发、尾巴等特征的数字化表示，以此类推，通过多层转化和计算，就可以识别出图片中是否有猫。

遗留问题：

1. 参数是怎么通过训练得到的？——应该有调整和惩罚措施

2. ，增加sigmoid函数是否会影响模型训练效果？个人认为不添加激活函数，模型理论上也可以训练出来。