当我们在训练一个神经网络的时候：
- 建立网络的大体框架，确定几个输入，几个隐藏层几个单元，几个输出；
我们通常使用一个隐藏层；如果不使用一个隐藏层，我们一般多个隐藏层的单元也是一样的，隐藏层越多越好，但是计算量会变大；隐藏层的单元数一般是输入的两倍三倍四倍，只要大于输入层的单元数，一般都是可以接受的。
- 训练神经网络
1). 随机初始化权重；
2). 前向传播，计算出h(x)，也就是每一个x对应输出的y的向量；
3). 用代码实现代价函数（cost function）J；
4). 反向传播算法，算出J对于参数（权重）Θ的偏微分；
5). 梯度检查，把反向传播计算得到的偏导值和数值方法计算得到的估计值对比，确保二者约等。这个是为了验证我们反向传播算法计算得到的结果是正确的；验证完成，关闭梯度检查。
6). 使用梯度下降或者更高级的算法和反向传播算法相结合，最小化代价函数J。
假设我们的神经网络有两个参数：我们目的就是想让代价函数最小。
