吴恩达深度学习：2.12向量化logistic回归
2024-09-05 16:04:21
1.不使用任何for循环用梯度下降实现整个训练集的一步迭代。
(0)我们已经讨论过向量化如何显著加速代码，在这次视频中我们会设计向量化是如何实现logistic回归，这样酒桶同时处理m个训练集，来实现梯度下降算法的一步迭代，不需要使用任何显式的for循环
(1)logistic回归正向传播的步骤：如果有m个训练样本，对一个样本进行预测，需要通过下面的方式计算出z值和激活函数a值，然后用同样的方法计算第二个和第三个样本...........以此类推，如果有m个样本的话，这样可能需要做上m次。
可以看出，为了执行正向传播的步骤，针对m各样本都需要计算出预测的结果，但是有一个办法不需要任何一个显示的for循环，
(2)定义矩阵X来作为训练的输入，像下面这个由m列堆叠在一起形成了nx x m的矩阵。首先要做的是计算z(1)、z(2)、z(3)等等，全部都在一个步骤中，我们先构建一个1xm的矩阵，实际上就是一个行向量，我们先计算z(1)，z(2)等等一直到z(m)，都是在同一时间内完成的，结果发现可以写成w的转置乘以大写的矩阵X再加上向量b，如下所示：
，最后计算的结果如下：
在numpy中的计算形式是：
最新文章
- Linux Running State Process ".so"、"code" Injection Technology
- .NET Expression Tree
- wget 下载整个网站，或者特定目录
- 转载： Emmet：HTML/CSS代码快速编写神器
- XMl入门介绍及php操作XML
- BCB 多线程的同步与协调
- JSBinding + SharpKit / 使用 Firefox 调试 JS
- Python之路,Day14 - It's time for Django
- Number Sequence(HDU 1005 构造矩阵 )
- android handler机制和Timer采用
- 区间第K大
- leetcode第22题--Merge k Sorted Lists
- 常量池之String.intern()方法
- php条件语句（二）
- bzoj 2822 [AHOI2012]树屋阶梯 卡特兰数
- Ubuntu 18.04 LTS 常用软件安装杂记
- Python3爬虫系列：理论+实验+爬取妹子图实战
- 常用的flex知识 ,比起float position 好用不少
- 解决连不上dl.google.com和dl-ssl.google.com
- 深度解析Java中的那把锁