From 8af0c88db0222753dfede627367c9b2b9f1acc63 Mon Sep 17 00:00:00 2001
From: RainBus <rainandbus@gmail.com>
Date: Tue, 17 Oct 2023 16:14:14 +0800
Subject: [PATCH] vault backup: 2023-10-17 16:14:14

---
 Study/DL/吴恩达深度学习课程/Lesson 1.md | 3 +++
 1 file changed, 3 insertions(+)

diff --git a/Study/DL/吴恩达深度学习课程/Lesson 1.md b/Study/DL/吴恩达深度学习课程/Lesson 1.md
index caa7343..b15ffc2 100644
--- a/Study/DL/吴恩达深度学习课程/Lesson 1.md	
+++ b/Study/DL/吴恩达深度学习课程/Lesson 1.md	
@@ -17,6 +17,9 @@ b &= b - \eta \cdot db
 正向传递：计算网络输出。
 反向传递：更新模型参数。
 sigmoid函数：消除线性。
+> 线性激活函数: $a = z$
+> 如果我们使用线性激活函数，无论我们经过多少层网络迭代，都相当于是对输入进行线性变换，
+
 损失函数：计算模型预测结果的精度，反向传播的目的就是使得。
 ## Vectorization
 向量化相较于显式循环更高效，能够更好的利用系统的并行化计算。