神经网络和深度学习笔记（一）

神经网络和深度学习笔记（一）

Logistic回归算法（Logistic Regression）

[用于二分分类的算法]

（一）基础知识

• 二分分类

---

• 计算机如何保存图片

输入的是特征变量 x
保存3个矩阵，对应RGB,如果图片尺寸64*64，则有3个64*64的矩阵

怎么计算特征变量？
xn=[R1,G1,B1.R2…]^T
维度nx=64*64*3
traning example里有多个样本，每个样本得x1,x2,x3……

得 x=[x1,x2,….]
有对应的label y=[y1,y2…]

补充：Python中X.shape输出矩阵维度 X.shape=(n.m) Y.shape=(1,m)

---

• sigmod函数

---

（二）函数模型

• 成长函数

  w,b要求的，(x（1),y(1))表示第一个样本，x为特征向量，y为label
  

• loss(error) function

  直观容易得到误差式子，但结果将会多个最优值（多个谷底）
  

由此思考得到另一条

• cost function（全局成本函数）
  在训练Logistic回归模型的时候需要找到合适的w,b使得误差最小，此处可用到梯度下降法。
  

---

（三）梯度下降法

J(w,b)为曲面高度，找到曲面最低点即是j最优，且得到w，b，而从这里可以看出logistic的回归函数是一个凹函数，选择凹函数。

Reapeat{
w:=w-αdw
b:=b-αb
}

通过断更新往最优方向走，详情看笔记本的图解
由公式知，需要dw,db,α(计算如下)

（四）计算偏导数来实现logistic回归

• 核心关键点
  

• 只有一个样本的例子
  [Input]

  x1,x2(特征向量),w1,w2,b

[Output]

1. z=w1x1+w2x2+b
2. 
3. L（a，y)

[求dw(dw1,dw2…),db](用于求梯度，详情看公式）

dz/dw1=(w1x1+w2x2+b)’=x1dz
dz/dw2=(w1x1+w2x2+b)’=x2dz

[求dz]

dz=dL/dz=dL/da*da/dz=a-y

• 应用到m个样本

【成本函数要求的是m个样本损失函数值的平均值 】

【J对w1求导得出全局梯度值dw1即算法中算出来的dw1，其他同理】

【算法】这个过程需要重复多次

//假设只有两个特征值w1，w2，每个样本(x(i),y(i))
J=0 //全局成本函数
dw1=0 //w1全局梯度值
dw2=0 //w2全局梯度值
b=0 //适合的常数
for i=1 to m
//每次对单个样本操作
    z(i)=w^T*x(i)+b 
    a(i)=s(z(i+1))
    J+=-[y(i)log(a(i))+(1-y(i))log(1-a(i))] //损失求和
    dz(i)=a(i)-y(i) //求dz
    //求梯度下降需要的各参数和
    dw1+=x1(i)dz(i)
    dw2+=x2(i)dz(i)
    db+=dz(i)
J=J/m
dw1=dw1/m
dw2=dw2/m
db=db/m
//应用梯度下降
w1:=w1-αdw1
w2:=w2-αdw2
b:=b-αb

（五）向量化实现，同时处理整个训练集，实现梯度下降法的一部迭代
- 原来的算法

每个样本都要计算z,a,需要计算m次，怎么不用for？=x

可以在矩阵中运算

当x=[x1^t,x2^t…](x1是一个向量）
z=w^tx+b(作为一个矩阵运算)

//一次迭代（可以多次）
//以下都是同时计算
python代码：Z=np.dot(w^T,X)+b //计算z
A=sigmod(Z) //得到a
dz=A-Y
//求梯度下降需要的各参数和
    dw=np.dot(X,dz)
    db=np.sum(dz)
J=J/m

dw=dw/m
db=db/m
//应用梯度下降

w:=w-αdw
b:=b-αb

(）python调试技巧
- 不要用秩为1的结构，即在定义的时候要用（n，m）而不是（n）

它与行向量或列向量不一样，效果不太直观，应该定义为行向量或列向量,直接用reshape（n,m）确保需要的维度