人工智能学习教程笔记-4：向量化

文章部分内容参考自https://captainbed.vip/1-2-9/

向量化

向量化概述

向量化事一种思想，可以大大提高人工智能编程的效率与速度。

简单来说，向量化就是尽量不手动编写算法过程，多多使用python库中提供的一些函数。

由于Python的特性——翻译型语言，翻译一条执行一条，而向量化则是一次性翻译并执行，所以这样做可以大大地提高编程效率。

在人工智能编程中，能使用向量化就一定要用。

简单示例

例如，实现两个向量A和B的相乘，手写的话如下：

res = 0
for i in range(0, 3):
    res += A[i] * B[i]

采用向量化的写法如下（调用python的numpy库）：

import numpy as np
res = np.dot(A, B.T) //dot为向量乘法函数，.T 为求转置矩阵

💡转置只是为了方便计算

示例：逻辑回归向量化编程

其含义如下：

• 红色：遍历数据集中的所有训练样本

• 绿色：遍历当前样本的所有输入特征，一个样本往往会有多个特征，w是他对应的权重，根据逻辑回归函数的公式实现累加

• 黑色：根据sigmoid函数求预测结果

• 橙色：求损失函数，累加得到成本函数

• 蓝色：遍历所有特征，求每一个权重对应的偏导数（反推dw、db），为实现最小化成本函数。（为什么这样做参加这里的评论）

• 后面的除以m都是求平均值

向量化后的代码如下：