深度学习——神经网络

为了用向量表示这些像素矩阵，我们将把这些矩阵中的像素值展开为一个向量x作为算法的输入

1.vectorlzation向量化

速度快

Whenever possible, avoid explicit for-loops   尽量少使用for循环，使用numpy的内置函数来避免for循环

逻辑回归的向量化实现（Vectorizing Logistic Regression）

通过向量化同时实现所有训练样本的前向传播，同时计算出整个训练集的激活值

Z=np.dot(w,T,X)+b

使用向量化计算全部m个训练样本的梯度

Python的广播机制

2.神经网络 

二分类问题

权重参数一般*0.01

矩阵维数

3.优化

学习率确定，看损失函数是不是下降并且接近一个小值

数据量小于100万时按照   60%  20%  20%分配训练集，验证集，测试集 

数据在100万左右时按照   98%  1%  1%

数据量更大时按照   99.5%   0.25%  0.25%

确保开发集和测试集中的数据分布相同，有的是爬取的数据，有的是网上的高质量图片

训练集表现很好，验证集错误较多    高方差

效果都不好   高偏差（过拟合）

效果都不好但验证集更差   高偏差  高方差

高偏差（训练集不能良好拟合）------>选一个新的网络或延长训练时间或换算法

高方差（泛化能力）------>更多的数据以及正则化

dropout 

每个结点有多少的概率被丢弃，按照随机的编码决定这些节点的去留

这个表达式表示这个随机数有0.8的几率取值为1或为真(True)20%或0.2的几率取值为非(False)或0