之前提到了一個模型，也就是一個函式。

這邊把它擴展一下，變成

其中 sigmoid 為

當 很大的時候，這個函式就會是 1，反之，如果 很小，這個函式就會輸出為 。除此之外，這個式子還增加了很多不同的 和 ，就可以組合出更多不同的函式。又如果，我們有很多的特徵(features)，那函式就可以由

再改寫成這樣

這樣也就可以輸入很多不同的特徵來得到輸出了。而這個式子也可以看做：我們將很多不同的 sigmoid 函式相加在一起來得到輸出。因此只要找到對的參數(parameters)，同時由人設定好的超參數(hypyerparameters)，就可以得到一個預測會正確的模型了。這邊也可以用矩陣的方式來表示。

到這裡已將做好了步驟一：找到一個函式。這個函式有著要尋找的未知數。再來要定義損失，這邊損失函式就用

第三個步驟，就是透過最佳化方法來找出未知數 。 也就是

然後，在計算最佳化的過程，可以隨機分批的餵入函式來找出 。 當所有的資料都用過一輪，就稱為一代(epoch)。

如果用了很多層來，就可以稱之為深度學習。