这篇博客深入探讨了深度学习与神经网络的关系，阐述了如何通过输入特征x得到输出y的过程。同时，文章对比了结构化和非结构化数据的特点，并详细介绍了逻辑回归算法在二元分类问题中的应用，包括模型、损失函数和梯度下降法的实现。此外，还强调了向量化在提高代码效率中的作用，并展示了Python中的向量化操作实例。
深度学习就是神经网络
只要输入x特征，即可得到计算结果y，中间的圆圈为中间层
结构化与非结构化数据
左端为结构化数据，右端为非结构化数据
矩阵向量化
logic回归算法：一个用在监督学习问题（SVM）中输出y标签是0还是1的二元分类问题
logistic回归模型和sigmiod函数
损失函数（loss function）:
coss function工作原理
logic回归公式
应用于多样本中
向后传播公式
对logistic回归应用梯度下降法
向量化可以消除代码中显式for循环的部分，让代码运行更加快速
pyhon中的np函数
向量化细节及其代码
正向传播
反向传播
左端是for循环，右端是向量化实现
代码展示
Python中的传播：在进行矩阵加减乘除运算时，会自动进行矩阵的扩充
行向量或者列向量的编程习惯
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
