1.单个神经元
单个神经元的输入由前一层各个神经元的输出x1、x2、x3经过权重w1、w2、w3后得到的结果，我们知道
，对于一个神经元来说，这其中的W、X、b均是[n*1]维列向量，也即
,
，如果再有更多的输入，就在往后加，这没啥难理解的。
2.一层网络
神经网络中，有输入层，隐藏层，输出层，以下图为例来说明，输入层我们记为X[0]，隐藏层有两层，包含W[1]、X[1]、b[1]、Z[1]以及W[2]、X[2]、b[2]、Z[2]，输出层W[3]、X[3]、b[3]、Z[3]
我们来写一下隐藏层的第一层的计算过程，2--->4,2个神经元到4个神经元的过程，我们能确定第二层的W是一个4行2列的矩阵，X是2行1列的矩阵，b是4行1列矩阵，Z也是4行1列的矩阵，在写的时候，可以使用这个小技巧，写W的时候，竖着写，w11代表前一层的第1个神经元到本层的第1个神经元的权重，w12代表前一层的第1个神经元到本层的第2个神经元，wij代表前一层的第i个神经元到本层的第j个神经元，写X的时候也竖着写，有几个写几个，所以X必然是列数为1 的矩阵，b和Z类似。
简单总结一下，这几个变量的维度是：
W：行数是当前神经元的个数，列数是前一层的神经元的个数（或者输入层特征个数）
Z和b：行数是当前神经元的个数，列数是1
X：行数是前一层神经元的个数，列数是1
