但是现实世界中有很多不能用直线来分类的例子，我们需要用更高维来表达。即区域。

so we’re ready to put these building blocks together, and build great Neural Networks! (Or Multi-Layer Perceptrons, however you prefer to call them.)

将线性模型转换为非线性模型

下面我们用数学的方法来表达上述的合并过程：
相加，然后sigmoid得到概率值。
我们也可以给不同的分类模型配以不同的比重，来提高其中一个模型对最终结果的影响。由于得到的结果大于1，所以我们对它进行sigmoid处理（1/(1+np.exp(-x))），得到一个小于1的值。

那么我们也可以对很多个这种线性模型进行叠加，从而获得更加复杂的最终分类模型。那么将每个独立模型的数学表达叠加上来的计算方法如下：


那我们使偏差称为其中一个节点：

多层神经网络

Now, not all neural networks look like the one above. They can be way more complicated! In particular, we can do the following things:

• Add more nodes to the input, hidden, and output layers.
• Add more layers.

更多的隐藏节点

更多的输入节点

更多的输出节点

这就是多种类别的分类方法

更多的层

这就是深度学习的模型