Part 1（四）深层神经网络

4.1 深层神经网络

我们说logistic回归是一个浅层模型，当我们数一个网络有多少层的时候，我们不用数输入层，只需要数隐藏层的数量。

4.2 深层网络中的前向传播

用一个for循环去遍历所有层 的计算也是可以的;
n[1]=5表示第一层的神经元个数是5。

4.3 核对矩阵的维数

实现深度神经网络的时候，一个比较好的检查代码错误的方法是计算矩阵的维数。
例子：
一个神经网络，层数L是5（除去输入层），计算每一层矩阵计算时候的维数，z[1]=w[1]x + b[1]，在这个情况下维度分别是（n[1],1），（n[1],n[0]）,(n[0],1),(n[1],1)。
向量化之后，就是将所有样本X变成[x1,x2,x3,x4…xm]代进去，x维度为(n[0],m)，Z[1]就变成[z[1] (1),z[1] (2),…, z[1] (m)]，维度发生变化，变成（n[1],m）。
我们知道，在向量化之后，w，b，dw和db的维数应该是一样的，而z，a，x会在向量化之后改变维数。

4.4 搭建深层神经网络块