吴恩达-神经网络和深度学习(第二周神经网络基础)

学习如何用神经网络的思维模式提出机器学习问题、如何使用向量化加速你的模型。

• 先介绍一些名词
  • training set (训练集)
  • feature vector(特征向量)
  • classifier(分类器)
  • calculus（微积分）
  • 循环（loop）
  • 数据集（datasets）
  • vectorization (向量化)
  • matrix(矩阵)
  • vector(向量)
• 本周用到的一些符号【Notation】
  • （x,y）表示一个单独的样本
  • x是xn维的特征向量
  • 标签y值为0/1
  • 训练集由m个训练样本构成
  • (x^(1), y^(1))表示样本一输入和输出，
  • {x^(1), y^(1),…..x^(n), y^(n).}整个训练集
  • 测试集的 样本数。训练集的样本数
  • 矩阵也可表示训练集输入x,输出标签y
  • 注意：训练样本作为行向量堆叠
  • 输出y是1xm矩阵

如下图：

Notation

二分分类【Binary Classification】

• 神经网络的计算过程中，通常有一个正向过程【forward pass】（或者正向传播步骤）,接着有一个反向过程【backward pass】(或者反向传播步骤)
• logistic回归是一个用于二分分类的算法
• 计算机保存图片，要保存三个独立矩阵（Red红 blue绿 Green蓝） 如果有64X64的一张图片，则输入向量的维度n=64X64X3=12288
• 在二分分类问题中，目标是训练出一个分类器，他以图片的特征向量x作为输入，，预测输出的结果y(只有两个值)

logistic回归

这是一个学习算法，用在监督学习中， 如下图：

logistic

logistic回归损失函数

损失函数【error function】在单个训练样本中定义的，他衡量了在单个训练样本上的表现 成本函数【cost function 】在全体训练集样本下的表现–>对损失函数求和 对以上函数要找到合适的参数w和b 成本函数用于衡量参数w和b的效果

如下图：

mark

mark

梯度下降法【Gradient Descent】

• 训练或学习训练集上的参数w和b

梯度下降法

求最小值

导数

等于= be equal to

• pluse
• minus X times / divide

计算图

可以说，一个神经网络的计算都是按照前向或者反向传播过程来实现的， 首先计算出神经网络的输出 首先计算出神经网络的输出，紧接着一个反向传播操作，后者我们用来计算出对应的梯度或者导数，流程图解释了为什么这样实现 流程图，是用蓝色箭头画出来的的，从左到右的计算

流程图

计算图的导数计算

从右到左计算导数

mark

logistic回归中的梯度下降法（用偏导数实现）

导数流程图来计算梯度用偏导数有点大材小用，但对理解比较好

mark

m个样本的梯度下降

运用到整个样本集中

for循环

向量化

循环很低效率，用向量化来加速运算(np.function) z=np.dot(w, x) + b

mark

可能有人说：可扩展深度学习实现是在GPU(图像处理单元)上做的，而我们做的再jupyter notebook上（CPU） 但GPU和CPU都有并行化的指令，SIMD单指令流多数据流，这点对GPU和CPU上面是成立的，只是GPU更擅长SIMD运算

• for循环能不用就不用，如果可以使用内置函数或者其他方法计算循环，会比for循环更快

mark

mark

进一步向量化logistic回归

mark

向量化logistic回归的梯度输出

mark

这就得到高度向量化的，高效的logistic回归梯度下降法

python中的广播（使python和Numpy部分代码更高效）

广播（broadcasting）对列向量，行向量都有效 例子：

mark

mark

实现神经网络算法时主要用到的广播形式

mark

关于python/numpy向量的说明

千万不要用秩为1的数组 随意插入assert()声明，要仔细检查矩阵和数组的维度 不要害怕调用reshape,来确保你的矩阵和向量

mark

可以排除，简化甚至消灭代码中各种奇怪的bug

学习链接 4. Logistic代码实战