1、深层神经网络中的前向传播：
（1）单数据情况：
z[1] = w[1]x + b[1]
a[1] = g[1](z[1])
z[2] = w[2]a[1] + b[2]
a[2] = g[2](z[2])
... ...
z[l] = w[l]a[l-1] + b[l]
a[l] = g[l](z[l]) = y^
（2）向量化情况：
Z[1] = W[1]X + b[1]
A[1] = g[1](Z[1])
Z[2] = W[2]A[1] + b[2]
A[2] = g[2](Z[2])
... ...
Z[l] = W[l]A[l-1] + b[l]
A[l] = g[l](Z[l]) = Y^
2、神经网络矩阵的维数：
（1）单数据情况：
a[l]、z[l]、b[l]、db[l] : (n[l], 1)
w[l]、dw[l] : (n[l], n[l-1])
（2）向量化情况：
A[l]、Z[l] : (n[l], m)
b[l]、db[l] : (n[l], 1)
W[l]、dW[l] : (n[l], n[l-1])
3、神经网络块：
4、深层神经网络中的反向传播：
（1）单数据情况：
dz[l] = da[l] * g[l]'(z[l]) ( = a[l] - y)
dw[l] = dz[l]a[l-1]T
db[l] = dz[l]
da[l-1] = w[l]Tdz[l]
dz[l-1] = da[l-1] * g[l-1]'(z[l-1])
... ...
（2）向量化情况：
dZl] = dA[l] * g[l]'(Z[l]) ( = A[l] - Y)
dW[l] = 1/m * dZ[l]A[l-1]T
dB[l] = 1/m * np.sum(dZ[l], axis=1,keepdims=True)
dA[l-1] = W[l]TdZ[l]
dZ[l-1] = dA[l-1] * g[l]'(Z[l])
... ...
5、参数与超参数：
parameters：W[1]，b[1]，W[2]，b[2]，... ...
hyper parameters：需要自己设定的参数，如：learning rate; #iterations; #hidden layer; #hidden units; #choice of activation function.