1. threshold临界点：当training data足够多的时候，便会达到临界点， 使得神经元释放output
2. Activation functions: 激励函数，在神经网络中，利用激励函数可以把线性函数转化为平滑的曲线型函数
sigmoid函数： 当x=0时，y=0.5
在开始阶段，会有很多input进入神经元：
在input数量不足时，sigmoid函数会一直压制output，直到pass临界点
3. weight, 每条路径都有一个weight，weight可以增强input，也可以减弱input，用来和input数值相乘
例如：在下图中，计算layer2的output，首先1->1, 2->1，两条路径，所以x = 1.0*0.9 + 0.5*0.3, 然后带入sigmoid函数，算出output为0.7408
矩阵相乘，来自动计算outputs
待续。。。。
------------------------------------------------------------------------------------分割线---------------------------------------------------------------------------
多层terms：
每当计算出一次output的时候，和training data进行对比， 得到误差，然后用之前的方法来完善神经网络。
如果有大于1条的weight 来得出output， 得出的error， e = (t-o)，要按照weight贡献度的比例来进行修正分配。
Backpropagating（反向传播算法）：用error反向modify ，反向按比例输出Error(hidden)
如图：
通过反向遍历每条路径占的比例，分配相对的e值，然后用e去modify每条路径的weight
引用原文：Neural networks learn by refining their link weights.
This is guided by the error- the difference between the right answer given by the training data and their actual output: e = t - o
用矩阵相乘来实现自动化反向传播，给机器语言提供了实现的可能性(w为每条路径的weight)：
第二种相对简单的矩阵相乘来实现反向传播遍历，由于每条路径的weight是不同的，同一个output对应的子节点.
我们选取weight值相对占比重大的来节约计算时间，但失去精度, 把矩阵的每一行换成每一列，名字叫transposing a matrix（转置矩阵）
Take a well deserved break~! :-)
在了解如何去更新神经网络中的那些weights，先看一下梯度下降(Gradient Descent)这个数学术语：
比如我们在一座大山上的某处位置，由于我们不知道怎么下山，于是决定走一步算一步，也就是在每走到一个位置的时候，求解当前位置的梯度，沿着梯度的负方向，也就是当前最陡峭的位置向下走一步，然后继续求解当前位置梯度，向这一步所在位置沿着最陡峭最易下山的位置走一步。这样一步步的走下去，一直走到觉得我们已经到了山脚。当然这样走下去，有可能我们不能走到山脚，而是到了某一个局部的山峰低处。可以看出，梯度下降不一定能够找到全局的最优解，有可能是一个局部最优解。当然，如果损失函数是凸函数，梯度下降法得到的解就一定是全局最优解。
在遇到复杂的机器学习算法时，比如去modify error时，可以考虑用梯度下降法，逐步的试探，分析问题，得出的答案不一定是最精确的，但是也是有效的答案
举个栗子：
假设现在有一个复杂的算法y = (x-1)^2 + 1, 在这个方程式中，y是神经网络中所谓的error，所以我们要想办法找到x的值=>在神经网络中，也就是weight的值，去最小化所谓的error，首先看一下这个方程式的图：
在这个方程式中，如果不知道如何求得x的值，可以用梯度下降法，逐步的去用测试的x值进行modify，不停地有规律的modify x的值，直到x的迭代变化变得非常小的时候，我们就十分接近最小的y值了
在真实的神经网络算法中，每个error有可能有不同的很多的weight路径，也就是说有很多变量，这时候梯度下降方法可以逐渐找到答案。。
同时，在神经网络中，会有很多坑，就像山会有很多山谷一样，所以我们在做梯度下降时，要选择不用的X起点，去找到真正的最小值：
待续。。。
------------------------------------------------------------------------------------分割线---------------------------------------------------------------------------
calculus(微积分)，用来表示变量之间的关系，所以在神经网络用来表示error function和link weight 之间的关系：
tn-on的平方，也就是误差的平方，为什么要用平方表示呢？
(目标值-实际值)的平方。我们采用这种函数测量误差主要是基于如下几点：
1.梯度下降法中求解斜率的时候比较容易。
2.这个误差函数时平滑而连续的，能够很好的发挥梯度下降法的优势
3.当靠近最小值的时候，梯度值越来越小。这意味着我们将使用平滑的步长靠近最小值，从而避免越过最小值的风险。
接下来通过微积分推倒，以及sigmoid的变形：
得出最终公式，也就是Error和weight之间的关系:
对于output，input，关于trainingdata的要求，首先trainingdata要符合逻辑，能真实的处理实际问题； 其次每个slape不能调度过大； 然后zero值很可能会导致整个机器学习的神经网络失去功能；hidden layers的link weights需要是随机的，并且跨度小的； 通常input值都在0.01-0.99， 或者-1.0 到+1.0； 通常output都在0以上，1以下，一个比较好的range是0.01-0.99。
接下来用python写一个training session，做图像识别，请见下章
