DAY1:神经网络基础和深度学习笔记整理

一、Binary Classfication

符号表示: 

   

二、logistic regression

 

其中w,b为待确定的参数,^y为y(training labels)=1的概率值,所以为了使其落在0~1之间,对y的结果作                     sigmoid处理

三、损失函数

损失函数:loss = -(lnlog^y+(1-y)lnlog(1-^y))在单个训练样本上定义的,衡量在单个训练样本上的表现

成本函数:衡量在全体样本上参数w和b的表现(in logistic regression)

四、Gradient Descent

五、计算图

前向传播:

  反向传播:

       

logistic中的反向传播(求导):

m个样本上的梯度下降法:

vectorization(向量化)

vectorization can faster than for loop  about 300 times.And if there are other possibility ,don't use for loop.

 

 

 

 

 

 

 

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值