首先，我是个纯小白，我看了下面这一篇
看了这一篇文章，我大致对神经网络有了一定的理解。
但是我还是有些疑问，为什么计算出来的概率就可以一一对应到各个象限，是提前规定好了吗？
然后我就开始在网上搜索，发现了有人和我问了同一个问题，底下的回答挺有用的。
然后我看了这篇文章，知道了我们其实能得出上面那个结论，是已经提前用标签对应好了。
然后是one-hot的一篇文章，这篇文章对我帮助很大，让我知道了输出层的内部到底是怎么使用one-hot的
到这里，我大概了解了，就是说其实哪个节点对应哪个哪个其实是事先已经规定好的了，而且应该是用了一种类似于one-hot的编码，但是还是有点一知半解。
然后我看到了，真的讲的非常好
就是说我们首先先通过训练得到了w，b的值，这时候神经网络才算是建立成功了，然后再将其投入使用
而且，那些矩阵的运算也看得我很头晕，于是我看了下面的这一篇文章，如果对神经网络矩阵的计算不是很理解，强烈推荐多看几遍这个文章，他对矩阵这一数学运算的理解我觉得很牛！
然后这一篇也是相当不错，印证了我前面很多想法
对训练过程我有了大概的了解，反正我们一开始会随机的设定一些权重，然后根据我们的标签进行训练，这个权重带来的结果可能很不好，但是没关系，我们有损失函数，计算出与真实值之间的误差，然后根据误差利用梯度下降法（里面运用了一些反向传播的知识，其实就是求偏导）的方法去调整我们的参数（也就是权重和偏执）
一些补充：看这篇文章，你能知道深度学习相较于以往的机器学习有哪些不一样的地方，有助于你更好地理解深度学习。
看到这里，其实你对神经网络应该有大致框架的了解，并且知道哪一些地方会做什么，接下来就是要学一些深层次的算法之类的。
比较重要的算法有梯度下降法，理解梯度是一个很重要的事情！要知其然也要知其所以然！！！，这个作者真真写的很好
梯度，是多元函数的概念，1元函数其实是没有的，因为单元函数其实就只有一个方向，那就是沿着x轴（啊啊啊，这么简单的道理，我当时硬是想不通，还好看了这篇文章，如此地愚蠢）
这篇文章我很喜欢，所以大概总结一下我从中学到的东西，以二元函数为例，我们一开始求偏导，其实也是只是求出了沿x方向和沿y方向的变化率，但是如果是二元函数（多元函数），他的方向已经不像1元函数那样局限在坐标轴上了，他可以有无穷无尽个方向，所以我们就定义了方向导数这个概念，方向导数就指明了各个方向的变化率，然后我们通过方向导数的式子可以看出（公式文章里有推导），刚好就是在方向为（对x的偏导，对y的偏导）时候，函数变大得最快，人们为了方便，所以就定义了这个方向为梯度------>以前都是因果倒置地学啊，我的高数终究是错付了！！！
梯度下降法广泛运用于反向传播，看这篇文章，将反向传播阐述得清楚明白
以上学完，当你已经入了门，这时候接触什么都会有一种触类旁通的感觉！这种感觉真的很奇妙~我推荐你去听听吴恩达老师的你一直会有一种恍然大悟的感觉，讲得很清楚明白