深度学习工程师（六）——向量化

向量化

向量化提高代码运算速度

    向量化是为了消除代码中的显式for循环的艺术，当数据集非常大的时候，代码的快速运行是一个非常非常重要的事情，不然就会花很长的时间去等待结果。

    拿我们的逻辑回归来说，如果特征向量是n维的，那么我们需要一个for循环遍历这n个特征，这种显式的for循环会让代码运行的非常慢。下面以具体的例子来说明。

    运行结果如下，可以看到，使用显式的for循环要比使用向量化技术慢200多倍，对比显而易见。经验法则就是：只要有其他可能，就不要用显示的for循环。

向量化举例

    比如上图中的任务，需要求出向量中每个元素的exp(v[i])，如果使用fro循环，可以像下面这样写。

    在numpy中提供了很多的向量函数，上面的代码块可以使用下面一行代码解决，而且比使用for循环更加快速。

    再来一张图：

    逻辑回归中的计算，上面红框框中的步骤都可以使用numpy来减少显式for循环，实际上最外面的那个for循环也可以去掉，用代码一次处理整个训练集。

★

★