- 通常機器學習，目的是，找到一個函數，針對任何輸入：語音，圖片，文字，都能夠自動輸出正確的結果。
- 而我們可以弄一個函數集合，這個集合針對同一個貓的圖片的輸入，可能有多種輸出，比如貓，狗，猴子等，而我們通過提供大量的training data給這個函數集合，對集合里的各種函數組合的輸出進行比對，最后選出一個能輸出最佳結果(結果是貓)的組合，那么因為這個組合已經很能夠很准確的識別貓，所以這個組合就能用來檢測圖片里是否是貓。
- 具體來說，下面第一張圖，某一個點為一個函數，而整個網絡機構為函數集合，一個集合里存在非常多的可能，任何函數都可以相互組合進行計算。
下面第2張圖的第一列為輸入，第二列為第1層，每個輸入都作為layer1的輸入，輸出后又分別作為layer2的輸入，這樣用窮舉法，遍歷針對每一個輸入的每一種計算可能而那么多layer就定義了一個函數集。
- 上面提到的大量的training data，是訓練的素材，而如何判斷針對這些輸入的輸出是否正確呢？我理解就是根據label來的
-. 函數集里的每種函數組合，針對每一個training data產生的結果與 target之間的差稱為LOSS，針對所有training data產生的LOSS之和，就是考察某一個函數組合的goodness的數據指標。目標當然是LOSS越小越好，而關鍵就是找到那個network parameters（即下圖中的b和w，因為這個函數里就這些參數是變化的）讓LOSS最小。所以這個問題，最終成為，針對Loss=f(training data, w，b, 函數組合)，找到合適的network parameters讓LOSS最小的問題，通過對這個函數求導就能得到結論：
求導為負數，說明L在減小，就增加w，增加L減小的趨勢。
求導為正，說明L在增加，則減小W，向L增加的方向走。
反復操作，直到求導為0
而每次計算求導時，w前進/后退多少，稱之為learning rate
找到合適的network parameters，就找到了針對這些training data的正確的函數組合了！這樣學習模型就建立成功，可以實現正確的識別同類型的輸入了！