深度学习简介:
1、什么是神经网络
2、使用神经网络进行监督学习
3、为什么深度学习会兴起
作为神经网络的逻辑回归:
1、二元分类:
假设一个图像是64*64:
在计算机中,这样的图像有红黄绿三个通道,用三个矩阵表示:
图上比较小,实际上这三个矩阵每个矩阵都是64*64的矩阵
(1):如何用向量表示这些矩阵:
我们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:
X
=
[
255
,
231...202
,
255
,
134...94
,
255
,
134
,
.
.
.
142
]
X=[{255,231...202,255,134...94,255,134,...142}]
X=[255,231...202,255,134...94,255,134,...142]
把红绿黄三个通道矩阵中的像素值全部放入向量x中,最终得到一个非常长的向量,以64x64举例,该向量的维度为64x64x3==12288.
用
n
x
n_x
nx来表示向量的维度,有时也直接用n
n
(
x
)
=
12288
n(x)=12288
n(x)=12288
(2):A single training example is represented by a pair
由 ( x , y ) 表示, x 是一个 n ( x ) 维度的特征向量,而 y 则是一个 l a b e l ( b o o l ),( 0 或 1 ) . 由(x,y)表示,x是一个n(x)维度的特征向量,而y则是一个label(bool),(0或1). 由(x,y)表示,x是一个n(x)维度的特征向量,而y则是一个label(bool),(0或1).
(3):m single training examples are:
( x 1 , y 1 ) , ( x 2 , y 2 ) . . . . . ( x m , y m ) . (x^1,y^1),(x^2,y^2).....(x^m,y^m). (x1,y1),(x2,y2).....(xm,ym).