无论是线性回归还是逻辑回归，都有一个问题：当特征数量太多时，特征项将会非常多甚至可能随着特征数的增加呈几何级数递增。那么就会使得计算负荷非常高。

比如我们输入的特征是一张50*50的灰度图，并且将所有的像素视为特征，那么就会有2500个特征。如果要进一步把这些特征两两组合构成一个多项式模型，那么将会有约300万项。普通的logistic regression模型并不能很好地处理这么多的特征。

对于上述的问题，神经网络能很好的克服。

什么是神经网络？

下图是一个以逻辑回归模型作为自身学习的神经元示例

由神经元我们构成了神经网络：

Layer 1: 输入层（Input Layer）

Layer 2: 隐藏层（Hidden Layer）

Layer 3: 输出层（Output Layer）

 注：对每一层都增加一个偏置单位（bias unit）

前向传播：

ΘX = a;

注：第j层有S_j个单元，那么Θ^(j)为S_j+1 * (S_j + 1)的矩阵

神经网络工作原理

随着层数增加实现的逻辑越来越复杂。学到越来越深层的信息。

怎么用神经网络实现多类别分类？

 当我们有不止两种分类时，比如我们有四类，那么最后在输出层我们也应该有四个输出单元（四个值）。

可能的输出结果如下：

神经网络初探（Neural Networks）