统一标准符号体系（深度学习通用记法）：网络总层数为L，输入层为第0层，输出层为第L层；a0xa^{[0]}=xa0x：网络输入，即原始特征；zlz^{[l]}zl：第l层神经元线性加权结果；alσzlalσzl：第l层激活输出，σ为Sigmoid激活函数；wijlwijl​：第l层第i个节点与上一层第j个节点的连接权重。自主学习能力强：无需人工设计特征，模型可通过数据自主学习最优权重；万能拟合能力

这段时间的学习，让我对神经网络的基础有了系统的理解，从最基础的线性模型，到神经元的概念，到多层感知机突破线性局限，再到核心的 BP 算法的推导与实现，整个学习的过程是从简单到复杂，从理论到实践，一步步搭建起了神经网络的基础体系。我觉得神经网络的学习，一定不能只停留在调包的层面，必须要把基础的算法推导搞清楚，比如 BP 算法的反向传播过程，只有理解了这些基础的原理，才能在后续学习更复杂的深度学习模型