deeplearning.ai之神经网络和深度学习

本文探讨了Logistic回归在深度学习中的应用,包括成本函数的定义与优化,以及向量化处理来提升效率的方法。此外,还介绍了如何利用简单的多层网络替代复杂单层网络,以减少所需的隐藏层节点数量。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

. Logistic Regression

Cost Function:

2. Vectorization

尽量使用向量化代替循环以提高执行效率! **Tips of Numpy:**
使用python/numpy时,在定义数据矩阵时,最好明确指定矩阵的行列数,否则可能会因python的广播特性出现一些不可预料的bug!

3. Why deep representations

用简单的L层网络可以表示复杂的单层网络,如以下的电路例子,单层网络(右)需要隐藏层节点个数为2n1,而L层简单网络(左)需要{(n-1)+…+1}的隐藏层节点,使得网络更容易理解。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值