5.1 向量化

参考视频: 5 - 6 - Vectorization (14 min).mkv

在这段视频中，我将介绍有关向量化的内容，无论你是用 Octave，还是别的语言，比如MATLAB 或者你正在用 Python、NumPy 或 Java C C++，所有这些语言都具有各种线性代数库，这些库文件都是内置的，容易阅读和获取，他们通常写得很好，已经经过高度优化，通常是数值计算方面的博士或者专业人士开发的。

而当你实现机器学习算法时，如果你能好好利用这些线性代数库，或者数值线性代数库， 并联合调用它们，而不是自己去做那些函数库可以做的事情。如果是这样的话，那么通常你会发现：首先，这样更有效，也就是说运行速度更快，并且更好地利用你的计算机里可能有的一些并行硬件系统等等；其次，这也意味着你可以用更少的代码来实现你需要的功能。因此，实现的方式更简单，代码出现问题的有可能性也就越小。

举个具体的例子：与其自己写代码做矩阵乘法。如果你只在 Octave 中输入 a 乘以 b 就是一个非常有效的两个矩阵相乘的程序。有很多例子可以说明，如果你用合适的向量化方法来实现，你就会有一个简单得多，也有效得多的代码。

让我们来看一些例子：这是一个常见的线性回归假设函数：

如果你想要计算 hθ(x)，注意到右边是求和，那么你可以自己计算 j =0 到 j = n 的和。但换另一种方式来想想，把 hθ(x) 看作θTx，那么你就可以写成两个向量的内积，其中 θ 就是θ0、θ1、θ2，如果你有两个特征量，如果 n =2，并且如果你把 x 看作 x0、x1、x2，这两种思考角度，会给你两种不同的实现方式。

比如说，这是未向量化的代码实现方式：

计算 hθ(x)是未向量化的，我们可能首先要初始化变量 prediction 的值为 0.0，而这个变量 prediction 的最终结果就是 hθ(x)，然后我要用一个 for 循环，j 取值 0 到 n+1，变量prediction 每次就通过自身加上 theta(j) 乘以 x(j) 更新值，这个就是算法的代码实现。

顺便我要提醒一下，这里的向量我用的下标是 0，所以我有 θ0、θ1、θ2，但因为 MATLAB 的下标从 1 开始，在 MATLAB 中 θ0，我们可能会用 theta(1) 来表示，这第二个元素最后就会变成，theta(2) 而第三个元素，最终可能就用theta(3) 表示，因为 MATLAB 中的下标从 1 开始，这就是为什么这里我的 for 循环，j 取值从 1 直到 n+1，而不是从 0 到 n。

这是一个未向量化的代码实现方式，我们用一个 for 循环对 n 个元素进行加和。作为比较，接下来是向量化的代码实现：

你把 x 和 θ 看做向量，而你只需要令变量 prediction 等于 theta 转置乘以 x，你就可以这样计算。与其写所有这些 for 循环的代码，你只需要一行代码，这行代码就是利用Octave 的高度优化的数值，线性代数算法来计算两个向量 θ 以及 x 的内积，这样向量化的实现更简单，它运行起来也将更加高效。

这就是 Octave 所做的而向量化的方法，在其他编程语言中同样可以实现。让我们来看一个 C++ 的例子：

与此相反，使用较好的 C++ 数值线性代数库，你可以写出像右边这样的代码，因此取决于你的数值线性代数库的内容。你只需要在 C++ 中将两个向量相乘，根据你所使用的数值和线性代数库的使用细节的不同，你最终使用的代码表达方式可能会有些许不同，但是通过一个库来做内积，你可以得到一段更简单、更有效的代码。

现在，让我们来看一个更为复杂的例子，这是线性回归算法梯度下降的更新规则：

我们用这条规则对 j 等于 0、1、2 等等的所有值，更新对象 θj，我只是用 θ0、θ1、θ2 来写方程，假设我们有两个特征量，所以 n 等于 2，这些都是我们需要对 θ0、θ1、θ2 进行更新，这些都应该是同步更新，我们用一个向量化的代码实现，这里是和之前相同的三个方程，只不过写得小一点而已。

你可以想象实现这三个方程的方式之一，就是用一个 for 循环，就是让 j 等于 0、等于1、等于 2，来更新 θj。

但让我们用向量化的方式来实现，看看我们是否能够有一个更简单的方法。基本上用三

行代码或者一个 for 循环，一次实现这三个方程。

让我们来看看怎样能用这三步，并将它们压缩成一行向量化的代码来实现。做法如下： 我打算把θ 看做一个向量，然后我用 θ-α 乘以某个别的向量δ 来更新θ。

这里的 δ 等于

让我解释一下是怎么回事：我要把θ 看作一个向量，有一个 n+1 维向量，α 是一个实数，δ 在这里是一个向量。

所以这个减法运算是一个向量减法，因为 α 乘以 δ是一个向量，所以 θ 就是 θ- αδ 得到的向量。

那么什么是向量 δ 呢 ?

x(i)是一个向量

你就会得到这些不同的式子，然后作加和。

实际上，在以前的一个小测验，如果你要解这个方程，我们说过为了向量化这段代码， 我们会令 u = 2v +5w 因此，我们说向量 u 等于 2 乘以向量 v 加上 5 乘以向量 w。用这个例子说明，如何对不同的向量进行相加，这里的求和是同样的道理。

这就是为什么我们能够向量化地实现线性回归。

所以，我希望步骤是有逻辑的。请务必看视频，并且保证你确实能理解它。如果你实在不能理解它们数学上等价的原因，你就直接实现这个算法，也是能得到正确答案的。所以即使你没有完全理解为何是等价的，如果只是实现这种算法，你仍然能实现线性回归算法。如果你能弄清楚为什么这两个步骤是等价的，那我希望你可以对向量化有一个更好的理解，如果你在实现线性回归的时候，使用一个或两个以上的特征量。

有时我们使用几十或几百个特征量来计算线性归回，当你使用向量化地实现线性回归， 通常运行速度就会比你以前用你的 for 循环快的多，也就是自己写代码更新θ0、θ1、θ2。

因此使用向量化实现方式，你应该是能够得到一个高效得多的线性回归算法。而当你向量化我们将在之后的课程里面学到的算法，这会是一个很好的技巧，无论是对于 Octave 或者一些其他的语言 如 C++、Java 来让你的代码运行得更高效。

5.2 工作和提交的编程练习

参考视频: 5 - 7 - Working on and Submitting Programming Exercises (4 min).mkv

在这段视频中，我想很快地介绍一下这门课程做作业的流程，以及如何使用作业提交系统。这个提交系统可以即时检验你的机器学习程序答案是否正确。

在 'ml-class-ex1' 目录中，我们提供了大量的文件，其中有一些需要由你自己来编辑，因此第一个文件应该符合编程练习中 pdf 文件的要求，其中一个我们要求你编写的文件是warmUpExercise.m 这个文件，这个文件只是为了确保你熟悉提交系统。

你需要做的就是提交一个 5×5 的矩阵，就是 A = eye(5)

这将修改该函数以产生 5×5 的单位矩阵，现在 warmUpExercise() 这个方程就实现了返回 5x5 的单位矩阵，将它保存一下，所以我已经完成了作业的第一部分。

现在回到我的 Octave 窗口，现在来到我的目录 C:甥敳獲angDesktopml-class-ex1

如果我想确保我已经实现了程序 像这样输入'warmUpExercise()' 好了它返回了我们用刚才写的代码创建的一个 5x5 的单位矩阵

我现在可以按如下步骤提交代码 我要在这里目录下键入 submit()

我要提交第一部分 所以我选择输入'1'。

这时它问我的电子邮件地址，我们打开课程网站，输入用户名密码。

按下回车键，它连接到服务器，并将其提交，然后它就会立刻告诉你：恭喜您！已成功完成作业 1 第 1 部分。这就确认了你已经做对了第一部分练习，如果你提交的答案不正确，那么它会给你一条消息，说明你没有完全答对，您还可以继续使用此提交密码，也可以生成新密码。你的密码是否会显示出来 取决于你使用的操作系统。

这就是提交作业的方法，你完成家庭作业的时候，我希望你都能答对。

欢迎关注我的公众号LhWorld，不仅为你推荐最新的博文，还有更多惊喜和资源在等着你!一起学习共同进步！