1. 单层上的向前传播forward prop

【了解在python中如何实现forward prop】

1. 继续使用咖啡烘焙模型：
   1. 了解经过每一个神经元的预测过程。
   2. 设置每一个神经元的w，b值。从而得到z值。
   3. 通过sigmoid function（也就是g(z)）来得到预测值a。
   4. 将第一层的每个神经元的预测结果组合为向量a1_1。
   5. 使用a1_1作为layer2的input，再来预测a2_1的值（最终结果）.

2. 前向传播的一般实现

【简化上面的过程，从而实现更通用的forward prop，而不是对每个神经元写代码】

1. 定义一个dense函数，将多个dense layer组合在一起。
   1. W是一个二维的数据，包含3个神经元w的值。
   2. b为向量，包含3个神经元的b值。
   3. a 这里作为input。
   4. g是sigmoid function。
   5. units = W.shape[1] 则表示这层有3个神经元。
      【W.shape[0]：表示提取W的行数。
      W.shape[1]：表示提取W的列数。】
   6. a_out = 一个由0组成的数组，个数等于units。[0,0,0]
   7. range(units) 表示[0, 1, 2]。
   8. 注意⚠️：大写字母表示matrix。
2. 定义一个sequential函数，实现forward prop，算出最终output。

3. 通用人工智能

【了解neural network和AI/AGI的关系。】

1. 如今deep learning（模仿人类大脑）的工作不是那么简单的：
   1. 我们模拟的神经网络模型，比起我们的大脑来说，太简单了。
   2. 我们对大脑是如何运作的知道的也很少。
2. AGI通过模拟人类大脑是非常难的。但还是有希望的
   
3. 也许intelligence时由一个或少量个学习算法组成的。如果研究出这一个/少量的学习算法，业余有一天就能在计算机上实现了。
4. auditory cortex听觉皮层。

5. somatosensory cortex触觉皮层。