比如預測一張圖片上是否有貓，首先要得到一個計算公式，把圖片帶進去可以計算得出1或者0，表示圖片有貓和無貓兩種情況。這個計算公式的輸入是圖片的特徵，比如一張圖片是64*64大小，RGB三種顏色，那麼這張圖片的特徵數量就是64*64*3=12288這麼多個，其中64*64表示圖片上的像素的數量，3表示每個像素點點RGB數值，所以這種圖片的特徵總數就是12288個，其實就是圖片上的所有點的RGB數值。圖片以一維向量的方式輸入到計算公式，公式裏面的參數經過訓練集的訓練得到，可以以一定的概率通過測試集的測試，一般這個概率在95%以上。計算公式做了什麼呢，其實就是將一維向量的各個元素加權求和，再加上一個偏移量，再功過一個函數轉化爲0-1之間的小數，如果這個小數大於0.5則認爲有貓，反之無貓。
result = sigmoid(wx+b)，其中w爲各元素的權重，b爲偏移量，這是一個線性模型
sigmoid函數的作用就是將wx+b的結果轉換到0-1區間
w和b如何得到呢，這就需要用到監督學習了，學習過程中有一個訓練集，有標籤（表示訓練集中的圖片是否存在貓咪），訓練完了還有測試集，用於測試訓練結果。在這個模型中，訓練的對象是w和b，要不斷地調整這兩個參數，使得預測準確率越來越高，因此需要得到一個關於準確率和w，b的函數L，求出dL/dw，dL/db，通過梯度下降算法來更新w和b，達到不斷優化的目的。其中L叫做損失函數，其實是通過交叉熵來計算，爲什麼用他而不知平方差求和，還需要進一步瞭解學習。