以下为在Coursera上吴恩达先生的DeepLearning.ai课程项目中，第一部门《神经 *** 和深度学习》第二周课程部门要害点的条记。

条记并不包罗所有小视频课程的纪录，如需学习条记中舍弃的内容请至 Coursera 或者 网易云课堂。同时在阅读以下条记之前，强烈建议先学习吴恩达先生的视频课程。

1

二分类问题

目的数据的形状：

2

logistic Regression

注重点：函数的一阶导数可以用其自身示意，

3

logistic回归 损失函数

Loss function

一样平常履历来说，使用平方错误（squared error）来权衡Loss Function：

然则，对于logistic regression 来说，一样平常不适用平方错误来作为Loss Function，这是由于上面的平方错误损失函数一样平常是非凸函数（non-convex），其在使用低度下降算法的时刻，容易获得局部更优解，而不是全局更优解。因此要选择凸函数。
逻辑回归的Loss Function：

Cost function

所有训练数据集的Loss function总和的平均值即为训练集的价值函数（Cost function）。

• Cost function是待求系数w和b的函数；
• 我们的目的就是迭代盘算出更佳的w和b的值，最小化Cost function，让其尽可能地接近于0。

4

梯度下降

5

逻辑回归中的梯度下降法

对单个样本而言，逻辑回归Loss function表达式：

6

m个样本的梯度下降

7

向量化（Vectorization）

在深度学习的算法中，我们通常拥有大量的数据，在程序的编写过程中，应该尽更大可能的少使用loop循环语句，行使python可以实现矩阵运算，进而来提高程序的运行速率，制止for循环的使用。

,

皇冠注册平台

www.huangguan.us是一个提供皇冠 *** APP下载、皇冠会员APP下载、皇冠体育最新登录线路、新2皇冠网址的的体育平台。新皇冠体育官网是多年来值得广大客户信赖的平台,我们期待您的到来！

,

逻辑回归向量化

python代码：

db = 1/m*np.sum(dZ)

单次迭代梯度下降算法流程

Z = np.dot(w.T,X) + b
A = sigmoid(Z)
dZ = A-Ydw = 1/m*np.dot(X,dZ.T)
db = 1/m*np.sum(dZ)
w = w - alpha*dwb = b - alpha*db

8

python的notation

虽然在Python有广播的机制，然则在Python程序中，为了保证矩阵运算的准确性，可以使用reshape()函数来对矩阵设定所需要举行盘算的维度，这是个好的习惯；

若是用下列语句来界说一个向量，则这条语句天生的a的维度为（5，），既不是行向量也不是列向量，称为秩（rank）为1的array，若是对a举行转置，则会获得a自己，这在盘算中会给我们带来一些问题。

a = np.random.randn(5)

若是需要界说（5，1）或者（1，5）向量，要使用下面尺度的语句：

a = np.random.randn(5,1)
b = np.random.randn(1,5)

可以使用assert语句对向量或数组的维度举行判断。assert会对内嵌语句举行判断，即判断a的维度是不是（5，1），若是不是，则程序在此处住手。使用assert语句也是一种很好的习惯，能够辅助我们实时检查、发现语句是否准确。

assert(a.shape == (5,1))

可以使用reshape函数对数组设定所需的维度

a.reshape((5,1))

9

logistic regression价值函数的注释

Cost function的由来



专栏：https://zhuanlan.zhihu.com/p/29688927

推荐阅读：

精选干货|近半年干货目录汇总
干货|台湾大学林轩田机械学习基石课程学习条记5 -- Training versus Testing
干货|MIT线性代数课程精致条记[第一课]

           迎接关注民众号学习交流~          

迎接加入交流 *** 流学习