yyyyyya_的博客

3.5 向 量 化 实 现 的 解 释 （ Justification for vectorizedimplementation）　　在上一个视频中，我们学习到如何将多个训练样本横向堆叠成一个矩阵𝑋，然后就可以推导出神经网络中前向传播（forward propagation）部分的向量化实现。　　在这个视频中，我们将会继续了解到，为什么上一节中写下的公式就是将多个样本向量化的正确实现。　　我们先手动对几个样本计算一下前向传播，看看有什么规律：　　公式 3.16： z[1](1){{z}^{[1].

3.4 多样本向量化（Vectorizing across multiple examples）　　在上一个视频，了解到如何针对于单一的训练样本，在神经网络上计算出预测值。　　在这个视频，将会了解到如何向量化多个训练样本，并计算出结果。该过程与你在逻辑回归中所做类似。　　逻辑回归是将各个训练样本组合成矩阵，对矩阵的各列进行计算。神经网络是通过对逻辑回归中的等式简单的变形，让神经网络计算出输出值。这种计算是所有的训练样本同时进行的，以下是实现它具体的步骤：图 3.4.1　　上一节视频中得到的四个等

计算一个神经网络的输出（Computing a Neural Network’soutput）　　在上一节的视频中，我们介绍只有一个隐藏层的神经网络的结构与符号表示。在这节的视频中让我们了解神经网络的输出究竟是如何计算出来的。　　首先，回顾下只有一个隐藏层的简单两层神经网络结构：　　图 3.3.1　　其中，𝑥表示输入特征，𝑎表示每个神经元的输出，𝑊表示特征的权重，上标表示神经网络的层数（隐藏层为 1），下标表示该层的第几个神经元。这是神经网络的符号惯例，下同。　　神经网络的计算　　关于...

3.2 神经网络的表示（Neural Network Representation）　　先回顾一下我在上一个视频画几张神经网络的图片，在这次课中我们将讨论这些图片的具体含义，也就是我们画的这些神经网络到底代表什么。　　我们首先关注一个例子，本例中的神经网络只包含一个隐藏层（图 3.2.1）。这是一张神经网络的图片，让我们给此图的不同部分取一些名字。　　图 3.2.1　　我们有输入特征x1{{x}_{1}}x1​、x2{{x}_{2}}x2​、x3{{x}_{3}}x3​，它们被竖直地堆叠起来，这叫

第三周：浅层神经网络(Shallow neural networks)3.1 神经网络概述（Neural Network Overview）　　本周你将学习如何实现一个神经网络。在我们深入学习具体技术之前，我希望快速的带你预览一下本周你将会学到的东西。如果这个视频中的某些细节你没有看懂你也不用担心，我们将在后面的几个视频中深入讨论技术细节。　　现在我们开始快速浏览一下如何实现神经网络。上周我们讨论了逻辑回归，我们了解了这个模型(见图 3.1.1)如何与下面公式 3.1 建立联系。　　图 3.1.1

2.17略2.18 （选修）logistic 损失函数的解释（Explanation of logisticregression cost function）　　在前面的视频中，我们已经分析了逻辑回归的损失函数表达式，在这节选修视频中，我将给出一个简洁的证明来说明逻辑回归的损失函数为什么是这种形式。　　回想一下，在逻辑回归中，需要预测的结果y^\hat{y}y^​,可以表示为y^\hat{y}y^​= 𝜎(wTx+b{{w}^{T}}x+bwTx+b)，𝜎是我们熟悉的𝑆型函数 𝜎(𝑧) ...

变量和简单数据类型　　 在本章中，你将学习可在Python程序中使用的各种数据，还将学习如何将数据存储到变量中，以及如何在程序中使用这些变量。运行运 hello_world.py时发生的情况　运行hello_world.py时，Python都做了些什么呢？下面来深入研究一下。实际上，即便是运行简单的程序，Python所做的工作也相当多：　hello_world.py运行上述代码时，你将看到如下输出：运行文件hello_world.py时，末尾的.py指出这是一个Python程序，因此编辑器将使用

本节主要讲 Python 中的 numpy 一维数组的特性，以及与行向量或列向量的区别。并介绍了老师在实际应用中的一些小技巧，去避免在 coding 中由于这些特性而导致的 bug。　　Python 的特性允许你使用广播（broadcasting）功能，这是 Python 的 numpy 程序语言库中最灵活的地方。而我认为这是程序语言的优点，也是缺点。优点的原因在于它们创造出语言的表达性，Python 语言巨大的灵活性使得你仅仅通过一行代码就能做很多事情。但是这也是缺点，由于广播巨大的灵活性，有时候你对于

**第 1 章 起步 **在本章中，你将运行自己的第一个程序 ——hello_world.py。为此，你首先需要检查自己的计算机是否安装了 Python ；如果没有安装，你需要安装它。 你还要安装一个文 本编辑器，用于编写和运行 Python 程序。你输入 Python 代码时，这个文本编辑器能够识别它们并突出显示不同的部分，让你能够轻松地了解代码的结构。**1.1 搭建编程环境 **在不同的操作系统中，Python 存在细微的差别，因此有几点你需要牢记在心。这里将介绍大家使用的两个主要的 Pytho

1.4 为什么深度学习会兴起？(Why is Deep Learning taking off?)：本节视频主要讲了推动深度学习变得如此热门的主要因素。包括数据规模、计算量及算法的创新。1.5 关于这门课(About this Course)1.6 课程资源(Course Resources)

1.2 什么是神经网络？(What is a Neural Network)我们常常用深度学习这个术语来指训练神经网络的过程。有时它指的是特别大规模的神经网络训练。那么神经网络究竟是什么呢？在这个视频中，我会讲解一些直观的基础知识。　　让我们从一个房价预测的例子开始讲起。　　假设你有一个数据集，它包含了六栋房子的信息。所以，你知道房屋的面积是多少平方英尺或者平方米，并且知道房屋价格。这时，你想要拟合一个根据房屋面积预测房价的函数。　　如果你对线性回归很熟悉，你可能会说：“好吧，让我们用这些数据拟合一

吴恩达笔记，相应视频在ｂ站上可以搜到，第一门 课 神经网络和深度学习 (Neural Networks and Deep Learning)－第一周：深度学习引言(Introduction to Deep Learning)第一个视频主要讲了什么是深度学习，深度学习能做些什么事情。...