多层神经网络，从零开始——（四）、多层BP神经网络的矩阵形式

前言

大一的时候，线性代数老师问我们：“你们觉得《线性代数》这门课程重要，还是《数学分析》这么课程重要？”（背景是《数学分析》第一学期是6个学分，《线性代数》第一个学期是4个学分，从GPA加权来讲，自然是前者更重要一些，估计老师因为这个固有此问。）老头缓缓自答到：“从各行各业参加工作的情况来讲，《线性代数》用得更多一些。”至今，仍然对他从代数方法和空间方法两种方式讲述线性代数映像深刻。在CFD领域，无论是有限元或是间断有限元或是其他数值方法，很多时候最后都归结为 Ax = b 这么一个问题，当中涉及到的公式推导也多是矩阵运算。

上一篇博客（多层神经网络，从零开始——（三）BP神经网络公式的详细推导
）推导了单个隐藏层的神经网络的公式，在许多机器学习相关的书籍中都可以看到，公式比较简单，也很容易编程实现，但是却不容易推广到多层。

本编博客将推导多层神经网络的公式，并表示为矩阵形式，使得编码实现更为容易。（PS：没有自动梯度工具就是这么惨，公式全要推导。）

附录

多层神经网络，从零开始——（一）、Fortran读取MNIST数据集
多层神经网络，从零开始——（二）、Fortran随机生成“双月”分类问题数据
多层神经网络，从零开始——（三）、BP神经网络公式的详细推导
多层神经网络，从零开始——（四）、多层BP神经网络的矩阵形式
多层神经网络，从零开始——（五）、定义数据结构
多层神经网络，从零开始——（六）、激活函数
多层神经网络，从零开始——（七）、损失函数
多层神经网络，从零开始——（八）、分类问题中为什么使用交叉熵作为损失函数
多层神经网络，从零开始——（九）、优化函数
多层神经网络，从零开始——（十）、参数初始化
多层神经网络，从零开始——（十一）、实现训练类
多层神经网络，从零开始——（十二）、实现算例类
多层神经网络，从零开始——（十三）、关于并行计算的简单探讨