y=wX+b" role="presentation">y=wX+b
y：图片中有猫的概率
X：图片的矩阵化表示
b：偏置量
问题：为什么通过训练，wx+b可以计算出图片中有猫的概率
分析：
y1=|w1w2w3w4|∗|x1x2x3x4|+b" role="presentation">y1=|w1w2w3w4|∗|x1x2x3x4|+b
y1=w1∗x1+w2∗x2+w3∗x3+w4∗x4+b" role="presentation">y1=w1∗x1+w2∗x2+w3∗x3+w4∗x4+b
X是图片的特征化向量表示，每一个维度代表图片的一个特征
为了方便理解，我们简单假设：
x1：眼睛特征
x2：四肢特征
x3：毛发特征
x4：尾巴特征
那么wx就可以理解为：
w1*x1：眼睛是圆形的概率
w2*x2：耳朵是三角形的概率
w3*x3：体表有毛发概率
w4*x4：身体有尾巴的概率
这样就可以理解为什么wx+b可以表示图片中包含猫的概率了。
当然实际的训练和计算过程没有这么简单，但我认为其中的转换都是这么个道理。
猫图识别过程理解：
原始输入的像素信息，通过第一层计算，可能会得到边缘、弧度等图像特征的数字化表示，这些简单的特征，再通过第二层计算，可能将眼睛、耳朵、毛发、尾巴等特征的数字化表示，以此类推，通过多层转化和计算，就可以识别出图片中是否有猫。
遗留问题：
1. 参数是怎么通过训练得到的？——应该有调整和惩罚措施
2. y=Sigmoid(wX)+b" role="presentation">y=Sigmoid(wX)+b，增加sigmoid函数是否会影响模型训练效果？个人认为不添加激活函数，模型理论上也可以训练出来。
