optimize layers' count

README.md

@@ -74,17 +74,17 @@ This work is licensed under a [Creative Commons Attribution-NonCommercial 4.0 In
 
 
 
-[知乎文章][zhihu]
+Copyright © Scruel. All Rights Reserved.
 
 
 
-By: Scruel
+[知乎文章][zhihu]
 
 [zhihu]: https://zhuanlan.zhihu.com/p/32781741
 [baidupan]: https://pan.baidu.com/s/1mkmnRIC
-[bilibili_zh]: http://www.bilibili.com/video/av9912938?bbid=F8173D95-FF96-47EF-B7F4-0779D698B8051978infoc
-[bilibili_en1]: https://www.bilibili.com/video/av17624209/?from=search&seid=15848135050308500663
-[bilibili_en2]: https://www.bilibili.com/video/av17624412/?from=search&seid=15848135050308500663
+[bilibili_zh]: http://www.bilibili.com/video/av9912938
+[bilibili_en1]: https://www.bilibili.com/video/av17624209
+[bilibili_en2]: https://www.bilibili.com/video/av17624412/
 [GitHub with MathJax]: https://chrome.google.com/webstore/detail/ioemnmodlmafdkllaclgeombjnmnbima
 [Typora]: https://typora.io/
 [honor code]: https://www.coursera.org/learn/machine-learning/supplement/nh65Z/machine-learning-honor-code

week4.md

@@ -84,11 +84,11 @@ $Size(\Theta^{(2)})=s_3 \times (s_2 + 1) = 1 \times 4$
 
 ![](image/20180116_001543.png)
 
-对第 $1$ 层的所有激活单元应用激活函数，从而得到第 $2$ 层激活单元的值：
+对输入层(Layer 1)的所有激活单元应用激活函数，从而得到隐藏层(Layer 2)中激活单元的值：
 
 $\begin{align*} a_1^{(2)} = g(\Theta_{10}^{(1)}x_0 + \Theta_{11}^{(1)}x_1 + \Theta_{12}^{(1)}x_2 + \Theta_{13}^{(1)}x_3) \newline a_2^{(2)} = g(\Theta_{20}^{(1)}x_0 + \Theta_{21}^{(1)}x_1 + \Theta_{22}^{(1)}x_2 + \Theta_{23}^{(1)}x_3) \newline a_3^{(2)} = g(\Theta_{30}^{(1)}x_0 + \Theta_{31}^{(1)}x_1 + \Theta_{32}^{(1)}x_2 + \Theta_{33}^{(1)}x_3) \newline \end{align*}$
 
-对第 $2$ 层的所有激活单元应用激活函数，从而得到输出：
+对 Layer 2 中的所有激活单元应用激活函数，从而得到输出：
 
 $h_\Theta(x) = a_1^{(3)} = g(\Theta_{10}^{(2)}a_0^{(2)} + \Theta_{11}^{(2)}a_1^{(2)} + \Theta_{12}^{(2)}a_2^{(2)} + \Theta_{13}^{(2)}a_3^{(2)})$
 
@@ -130,10 +130,12 @@ ${{z}^{\left( 2 \right)}}={{\Theta }^{\left( 1 \right)}} {{X}^{T}}$，这时 $z^
 
 
 
-当然，神经网络不仅限于三层，每层的激活单元数量也并不固定：
+当然，神经网络可有多层，每层的激活单元数量也并不固定：
 
 ![](image/20180116_105545.png)
 
+> 我们习惯于将输入层称为神经网络的第 0 层，如上图的神经网络被称为三层网络。
+
 ## 8.5 例子和直观理解1(Examples and Intuitions I)
 
 为了更好的理解神经网络，举例单层神经网络进行逻辑运算的例子。

week5.md

@@ -159,7 +159,7 @@ $J(\Theta) ={y}\log \left( 1+{{e}^{-z^{(L)}}} \right)+\left( 1-{y} \right)\log \
 
 ![](image/20180121_110111.png)
 
-再次为了便于计算，我们用到如上图这个四层神经网络。
+再次为了便于计算，我们用到如上图这个三层(输入层一般不计数)神经网络。
 
 忆及 $z^{(l)} = \Theta^{(l-1)}a^{(l-1)}$，我们有 $h_\Theta(x)=a^{(4)}= g(z^{(4)})=g(\Theta^{(3)}a^{(3)})$