此系列文章的目的在於以最白話、簡單的方式，來讓沒什麼基礎、有一點點基礎想要了解神經網路的人能夠有所收穫。
我盡量不用看起來高深、厲害的詞彙，因為那樣只會增加距離感。
—
本文源自於以下文章：
Understanding neural networks 2: The math of neural networks in 3 equations | by Aleksander Obuchowski | Becoming Human: Artificial Intelligence Magazine
感謝此作者，提供了很值觀、白話的介紹，讓我在工作、研究上得到不錯的成果。
先說了，這次圖片我都用原作者的，上班好累，不想做圖。
—
在上一篇文章中，已經講解過單一個神經元是怎麼運作的，但是在神經網路中，會有好多個神經元組合成一層，又由好多層組合成神經網路。
所以我們需要用最基礎、根本的數學式子來表達神經網路，這樣在之後的運算、處理上會比較「方便」。
第一式：順順地把話傳下去 – 正向傳遞 (Feed Forward)
我們的神經網路所需要做的第一件事情，就是將特徵值不斷地往下傳，那單一個神經元時是這麼做的：
你看看，用一條式子就把上一篇文章所講的東西都給描述完了，數學真的很鬼。
那單一個神經元的表示法我們知道了，接下來看看兩顆神經元的時候該怎麼表示：
上圖中W11表示的是X1傳到Y1這條線的權重，而W12則是X1傳到Y2的權重，應該挺好懂吧?
那由於激勵函數是最後一步，只要把東西放進去就好，所以這邊我們先不理它，先專注在怎麼把前面這堆線線給整理好，所以我們用下面這表示法把Y1、Y2給寫出來：
那看到這邊，就可以用「矩陣」的方式，來「簡化」上面這條式子，先看動畫：
上面這個動畫是用來表示矩陣乘法是如何運作的，底下是整理過後的矩陣表示法：
這邊可以看到，透過左邊的寫法，就可以得到右邊的結果，而右邊的結果就是我們的Y1及Y2，所以我們可以再簡化一點：
這樣是不是很清爽！
(真的不要害怕矩陣，我之前也超級討厭矩陣的，但慢慢品味它其實沒有那麼可怕啦……)
—
未完待續，我睏了，先來去睡，反正也沒人看XDDDD
