多个数据点中的向量化

我们这里讲解一下如何将不同的样本向量化，输出结果和Logistic回归的结果非常类似。

如图所示，对于传统的不用向量化的办法来计算多个变量的神经网络我们需要对每个变量进行两次梯度下降算法，然后用for循环来遍历所有的变量。我们希望可以使用向量化的方式进行表示，这样就不用使用for语句了。

要实现向量化我们先把训练集x写成矩阵的形式，也就是把小向量x堆叠到矩阵各列，构成大矩阵X。对于z和a我们也可以做同样的事情，变成Z和A。

这些矩阵，比如说Z和A，横向的话，是我们队所有训练样本用指标排序。所以横向指标就表示了不同的训练样本，当你从左到右扫描的时候，就扫过了整个训练集。

而在竖向，竖向的指标对应了神经网络的不同节点，如图片右下角的矩阵左上角表示了第一个训练样本的第一个隐藏单元的激活函数。下面第二个点表示了第二个隐藏单元对应的第一个训练样本的激活函数。对于矩阵的第一排而言，如果你横向往右移动的话，就从第一个训练样本的第一个隐藏单元到了第二个训练样本的第一个隐藏单元，再到第三个等等。所以横向的话会扫过不同的训练样本，而竖向的话就会扫过不同的指标（节点）。

向量化现实的解释

这里我们给出更多向量化在多样本实现的例子。

这就是多个训练样本的向量化表示。

1.3.2 向量化实现浅层神经网络相关推荐

吴恩达《神经网络与深度学习》精炼笔记（4）-- 浅层神经网络
上节课我们主要介绍了向量化.矩阵计算的方法和python编程的相关技巧.并以逻辑回归为例,将其算法流程包括梯度下降转换为向量化的形式,从而大大提高了程序运算速度.本节课我们将从浅层神经网络入手,开始真 ...
Coursera吴恩达《神经网络与深度学习》课程笔记（4）-- 浅层神经网络
红色石头的个人网站:redstonewill.com 上节课我们主要介绍了向量化.矩阵计算的方法和python编程的相关技巧.并以逻辑回归为例,将其算法流程包括梯度下降转换为向量化的形式,从而大大提高 ...
吴恩达深度学习笔记3-Course1-Week3【浅层神经网络】
浅层神经网络: 一.浅层神经网络的表示本文中的浅层神经网络指的是 two layer nn 即 one input layer + one hidden layer + one output lay ...
DeepLearning.AI第一部分第三周、浅层神经网络(Shallow neural networks)
文章目录 3.1 一些简单的介绍 3.2神经网络的表示Neural Network Representation 3.3计算一个神经网络的输出Computing a Neural Network's ...
1.3）深度学习笔记------浅层神经网络
目录 1)Neural Network Overview 2)Neural Network Representation 3)Computing a Neural Network's Output(重 ...
第三周：浅层神经网络
1. 神经网络综述首先,我们从整体结构上来大致看一下神经网络模型. 前面的课程中,我们已经使用计算图的方式介绍了逻辑回归梯度下降算法的正向传播和反向传播两个过程.如下图所示.神经网络的结构与逻辑回归 ...
01.神经网络和深度学习 W3.浅层神经网络
文章目录 1. 神经网络概览 2. 神经网络的表示 3. 神经网络的输出 4. 多样本向量化 5. 激活函数 6. 为什么需要非线性激活函数 7. 激活函数的导数 8. 随机初始化作业参考: 吴 ...
深度学习笔记（4）浅层神经网络
深度学习笔记(4) 浅层神经网络 1. 神经网络概述 2. 激活函数 3. 激活函数的导数 4. 神经网络的梯度下降 5. 随机初始化 1. 神经网络概述神经网络看起来是如下: 有输入特征x1.x2 ...
吴恩达深度学习笔记 3.1~3.11 浅层神经网络
第二章总结了二分分类与逻辑回归,第三章关于浅层神经网络神经网络的结构与逻辑回归类似,只是神经网络的层数比逻辑回归多了一层,多出的中间一层叫隐藏层,那么,神经网络的计算就相当于多进行一次逻辑回归的计算 ...

1.3.2 向量化实现浅层神经网络

多个数据点中的向量化

向量化现实的解释

1.3.2 向量化实现浅层神经网络相关推荐

最新文章

热门文章