神经网络构架：主要时表示神经网络的组成，即中间隐藏层的结构
对图片进行说明：我们可以看出图中的层数分布：
input layer表示输入层，维度(N_num, input_dim) N_num表示输入层的样本个数， input_dim表示输入层的维度， 即变量的个数
hidden layer1 表示第一个隐藏层，维度(input_dim, hidden_dim1input_dim表示输入层的维度，hidden_dim1示隐藏层的维度
hidden layer2 表示第二个隐藏层，维度(hidden_dim1, num_classes) hidden_dim1表示隐藏层的维度， num_classes表示输出的样本的类别数
output layer 表示输出结果层, 维度(N_num, num_classes) N_num 表示输入层的样本个数， num_classes表示类别数，即每个样本对于的类别得分值
代码：对于隐藏层的参数w和b的初始化
self.params['W1'] = weight_scale * np.random.randn(input_dim, hidden_dim)
self.params['b1'] = np.zeros((1, hidden_dim))
self.params['W2'] = weight_scale * np.random.randn(hidden_dim, num_classes)
self.params['b2'] = np.zeros((1, num_classes))
2.激活函数讨论， 加入激活函数的目的是为了在分类过程中，使得分类的判别式是非线性的方程即： f = σ(w*x+b) , σ表示非线性激活函数
但是对于sigmoid激活函数存在一个问题，即在进行梯度回传时，存在一个问题，即容易发生梯度消失的问题， (1-σ(x)) * σ(x) σ(x) 表示经过sigmoid变化后的输入结果
当x值较大时， dσ / dx 的梯度值较小，即根据链式法则，每次都乘以较小的梯度值，因此到最后就容易出现梯度消失的情况
对于ReLU激活函数的梯度回传，进行求导时，当输入值X小于0时，回传值为0， 当输入值大于等于0时，回传值即是本身，因此激活函数本身不会造成梯度消失问题
代码：
x = cache
dout[x < 0] = 0
3. 数据预处理， 即对输入的图片，对每张图片减去均值，在除以标准差的操作
代码：
# 对图片做平均操作
mean_img = np.mean(X_train, axis=0, keepdims=True) X_train -= mean_img
X_val -= mean_img
X_test -= mean_img
4. dropout，关闭中间的几个隐藏层表示不进行参数的更新操作