2022吴恩达机器学习（Deep learning）课程对应笔记16：向量化

最新推荐文章于 2024-11-06 10:55:54 发布
最新推荐文章于 2024-11-06 10:55:54 发布
阅读量123 收藏
点赞数
分类专栏： 2022吴恩达最新机器学习课程 文章标签： 机器学习 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/airuohan_/article/details/129671782
版权
本文是吴恩达2022年机器学习(DeepLearning)课程的笔记，主要聚焦于向量化概念。向量化能够显著提升计算效率，减少对for循环的依赖，从而加快模型训练的速度。这是一个关于优化算法和提高计算效率的关键点。
摘要由CSDN通过智能技术生成

2022吴恩达机器学习（Deep learning）课程对应笔记16

向量化

更新时间：2023/03/20
在这里插入图片描述

概述

太简单了不详细讲了
在这里插入图片描述

在这里插入图片描述
就是说向量化的好处是可以避免很多for训练，会加快计算的速度。
在这里插入图片描述

bubu-_
关注
专栏目录
完结撒花！吴恩达DeepLearning.ai《深度学习》课程笔记目录总集
大树先生的博客
04-12 11万+
吴恩达 Coursera DeepLearning.ai《深度学习》系列课程笔记目录总集
吴恩达机器学习基础课程笔记
tjujackson的博客
03-06 941
吴恩达机器学习2022笔记
[机器学习入门笔记] 2. 2022吴恩达机器学习Deeplearning.ai课程（回顾）
欢迎光临~
08-20 2271
吴恩达机器学习教学视频笔记，定期回顾优化更新~
2022吴恩达机器学习课程学习笔记（第二课第一周）
Yang0114_的博客
10-29 1892
2022吴恩达机器学习课程学习笔记（第二课第一周）
2022吴恩达机器学习（Deep learning）课程对应笔记17：多元回归的梯度下降法
bubu_的博客
03-20 86
首先要统一一下符号说明。就是向量化后的多元回归的符号表示。下面是比较一下只有一个特征的线性回归和有多个特征的多元回归之间的梯度下降的区别。
吴恩达深度学习deeplearning.ai学习笔记（二）1.4 1.5 1.6 1.7 1.8
weixin_66188523的博客
08-05 821
正则化应该是你在遇到高方差时首先要想到的方法，虽然另一个方法获得更多数据来增大训练集的数据量也非常好用，但并非时时能如此做，且获取数据的成本通常比较高；
吴恩达深度学习deeplearning.ai学习笔记（一）2.1 2.2 2.3 2.4
weixin_66188523的博客
08-01 857
如果定义为，当你学习这些参数时，后面讨论优化问题时会发现函数是非凸的，最后会得到很多个局部最优解，在使用梯度下降法时可能找不到全局最优值；当然有人也去研究了非凸函数的优化，建议看看老吴的采访视频，有很多启发；我们通过定义损失函数来衡量你的预测输出值和实际值有多么接近，一般设计成损失函数的值越小，代表接近效果越好，常用的logistic回归的损失函数定义为：一个粗浅的理解是枚举，如果，则，训练时会往损失函数降低的方向前进，当损失函数尽量小时，会尽量大，
吴恩达深度学习Deep Learning课程笔记
yxx35AN的博客
06-20 4091
在计算机中为了保存一张图片，需要保存三个矩阵，它们分别对应图片中的红、绿、蓝三种颜色通道，如果你的图片大小为64x64像素，那么你就有三个规模为64x64的矩阵，分别对应图片中红、绿、蓝三种像素的强度值。从简单的根据房子尺寸预测房价例子开始，拟合房价的过程从左抽象为右，输入房子尺寸，输出价格，这就是一个简单的神经网络，中间的圆圈就是一个独立的神经元。损失函数是在单个训练样本中定义的，它衡量的是算法在单个训练样本中表现如何，为了衡量算法在全部训练样本上的表现如何，我们需要定义一个算法的总代价函数，即对。
吴恩达深度学习deeplearning.ai学习笔记（二）2.1 2.2
weixin_66188523的博客
08-07 647
对神经网络的第层而言：然后要一层一层地传递将整个神经网络的参数都更新；
302页吴恩达Deeplearning.ai课程笔记，详记基础知识与作业代码.
05-01
此份302页的课程笔记由重庆大学的WanZhen精心整理，全面覆盖了吴恩达教授的Deeplearning.ai深度学习专项课程的核心内容与实践代码。笔记不仅详尽地解释了理论知识，还深入剖析了编程作业的具体实现，对于初学者来说...
吴恩达机器学习手写笔记
01-23
《吴恩达机器学习手写笔记》是一份详尽的学习资料，主要涵盖了吴恩达在Coursera上开设的“机器学习”课程的核心内容。笔记分为PDF版本和GoodNotes版本，便于不同用户按照个人喜好进行阅读和注解。这两部分笔记都致力...
吴恩达《机器学习》讲课笔记
09-11
吴恩达的《机器学习》课程是全球范围内广受欢迎的在线教育项目，旨在教授学生如何构建和理解各种机器学习算法。这份压缩包包含的讲课笔记是该课程的重要参考资料，以HTML格式呈现，全英文内容，使得全球的学习者都能...
机器学习—矩阵乘法
最新发布
yn3535_的博客
11-06 391
让我们来看看向量矩阵乘法，也就是当你把一个向量乘以一个矩阵，又得到一个向量，列向量a转置后得到行向量a，所以与其把这看作是一个2×1的矩阵，转置后就变成了1×2的矩阵，现在用这四个元素创建一个2×2的矩阵w，如果你想计算Z，Z=a转置W，结果z是一个2×1的矩阵，计算z的第一个值，我们要做一个a转置乘w1，所以要计算z的第一个元素，最终得到(1*3)+(2*4),然后计算第二个元素，现在将转置乘w2，，所以计算第二个元素，最终得到(1*5)+(2*6)。如何在向量之间取点积？
【机器学习】18. 反向传播 Backpropagation algorithm, 学习率，动量Momenetum, Xavier，梯度消失
weixin_48846514的博客
11-01 1088
反向传播 Backpropagation algorithm, 学习率，动量Momenetum, Xavier，梯度消失
机器学习—推理:做出预测(前向传播)
yn3535_的博客
11-01 343
这是一对零的可能性有多大，所以让我们逐步通过计算的序列，神经网络将需要从输入X这个8乘8或64个数字到预测概率a3，第一个计算是从X到1，这就是第一层或第一层隐藏层的作用，它对上标方括号进行计算，25代表这个隐层有25个单元，所以参数从W1到W25以及b1到b25，但也可以在这里写一个，因为按照惯例，零层的激活，即。最后一步是计算三，我们使用一个非常相似的计算来做到这一点，只是现在是第三层，输出层只有一个单元，所以这里只有一个输出所以3只是一个标量，你可以选择下标1，把它设为0.5得出一个二进制分类标签。
机器学习—构建一个神经网络
yn3535_的博客
11-02 471
然后把第一层的激活传递到第二层，相反，我们可以告诉Tensorflow我们喜欢它，把第一层和第二层串在一起形成一个神经网络，这就是张量流中的序列函数所做的，上边写着，亲爱的张量流，请为我创建一个神经网络通过顺序串在一起，我刚刚创建的这两层，事实证明，有了顺序框架，TensorFlow可以为你做很多工作。事实证明，TensorFlow是实现前向支柱的不同方式，在学习的同时，展示一种在Tensorflow中构建神经网络的不同方法，和之前一样你要创建第一层和第二层，但现在。
【机器学习】回归树
2303_80346267的博客
11-02 844
回归树是一种用于数值型目标变量的监督学习算法，通过将特征空间划分为多个区域，并在每个区域内使用简单的预测模型（如区域均值）来进行回归。回归树以“递归划分-计算区域均值”的方式逐层生成树节点，最终形成叶节点预测值。相比于线性回归，回归树更适合处理非线性和复杂数据结构。
【机器学习】决策树
2303_80346267的博客
11-02 1101
决策树是一种用于分类和回归任务的监督学习算法，它以树形结构递归地将数据分割成不同区域，使得最终的预测值尽可能纯净（即减少分类问题中的混杂度，或回归问题中的误差）。决策树算法简单直观、易于理解、解释性强，广泛应用于各类场景。本教程将详细介绍决策树的原理，重点解析构建决策树过程中的关键概念及其实现。
机器学习—神经网络中的层
yn3535_的博客
11-01 963
第二个神经元有参数W2和B2两个，这是第二个后勤单元的参数，所以它计算出一个a2=(w2*x+b2)，假设它是0.7，因为在这个例子中，我们认为潜在的偏见会意识到这件T恤的可能性，同样，第三个神经元有第三组参数W3和B3，类似的计算一个激活值，a3=(w3*x+b3)，可能是0.2，所以在这个例子中，这三个神经元输出了0.3、0.7和0.2，这个由三个数组成的向量称为激活值的向量，然后传递到这个神经网络的最终输出层。，今天神经网络可以有几十个甚至数百个层，为了引入符号来帮助我们区分不同的层，
吴恩达深度学习课程笔记：Coursera Deeplearning.ai 实战解析
"Deeplearning深度学习笔记v5.54是针对吴恩达老师在Coursera上的深度学习课程(deeplearning.ai)编写的中文笔记，旨在帮助已具备编程基础和机器学习知识的学员进入人工智能领域。笔记涵盖了课程的全部内容，包括深度...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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