用自己的话总结，就是通过训练集找到一个在输出为实数的函数，函数能够将输入转化为一个数值，从而达到学习预测的目的。
Sigmoid方法就是一种非线性回归，通过gradient descend等其他的方法找到Loss最小的参数。
每一个Sigmoid函数就是一个激活函数，一层层的激活函数构成神经网络，实现深度学习。
Classification 输出是离散型，具体的实现方法需要继续学习。
Lecture 2 Optimization Issue 我们知道说，我们今天用的optimization，在这门课裡面,我们其实都只会用到gradient descent，这种optimization的方法,这种optimization的方法很多的问题。
举例来说 ，你可能会卡在local minima的地方，你没有办法找到一个，真的可以让loss很低的参数。
Overfitting 在训练集上loss很小，在测试集上loss很大，不符合预期
解决方法
完成了Lecture对应的Homework，为了实现更好的模型，利用已有的图片镜像翻转，改变不同的learning rate和增加训练的epoch，使得loss减小。
