阿扣：上回我们在 python 里面实现了单个神经元的梯度下降算法。现在可以挑战一下多个神经元的网络了。
阿特：那会不会很难哦？
阿扣：也不会，原理其实是一样的，只是需要分辨清楚各个参数属于哪一层。
阿特：（不祥预感）
阿扣：比如说，下面这个网络：
- 有 3 个输入 x1,x2,x3，2 个隐层节点 h1,h2
- 节点之间的权重用 w 表示，第一个下标为出发节点，第二个下标为目标节点，比如 $w_{11}$ 表示 x1 到 h1 的权重
我们把权重存在一个矩阵中，每一行对应一个输入值的权重，每一列对应一个隐层节点的权重：
所以，隐层的第 j 个节点就表示为：$h_j = \sum_i w_{ij}x_i$
权重和输入值相乘时，需要用到矩阵乘法中的点乘（dot product）：
阿特：啊……矩阵，我好些已经忘得差不多了……
阿扣：没关系，慢慢回忆起来。这里比较关键的是，两个矩阵相乘，左边矩阵的行数，必需跟右边矩阵的列数相等，不然没法相乘。
比如我们要计算的神经网络的矩阵：
左边矩阵有 1 行 3 列，右边矩阵有 3 行 1 列，它们是可以相乘的。
阿特：让我数一数……
阿扣：记得矩阵需要「门当户对」就好 😄 。上面这个矩阵，我们也可以调换左右顺序，并且让两个矩阵都转置（就是行列互换）一下来满足相乘的条件：
阿特：这跟上面那两个矩阵相乘的结果是一样的吗？
阿扣：是的。按照矩阵点乘的公式 ($h_1=x_1w_{11} + x_2w_{21}+x_3w_{31}$) 把它们展开，会发现其实是一个东西。
