逻辑回归适用于特征类别少的数据集，当特征类别数多的时候，使用逻辑回归会产生非常多的特征项，会过拟合。 上图5050像素的灰度图像，在一张图像中会产生5050*255个特征类别，在使用传统的机器学习中的逻辑回归，将不同的特征类别按最高二次进行组合，会产生3百万个不同的特征。显然这是不实用的。
输入层input layer 输出层output layer 隐藏层hidden layer 模型参数parameter = 权重wight
a i ( j ) a_i^{(j)} ai(j)：第j层的第i个激活项（神经元） Θ ( j ) \Theta^{(j)} Θ(j)：控制从第j层到第j+1层的映射权重
在这里插入图片描述
逻辑与运算 激活函数： g ( z ) = 1 1 − e − Θ T x g(z)={1\over 1-e^{-\Theta^Tx}} g(z)=1−e−ΘTx1 或运算
非运算
