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

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)

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。...