2019.10.4-2019.10.8学习进度

2019.10.5学习进度

今天是第六天参与STAR Pro，今天主要学习了两方面内容：

浅层神经网络

这周开始学习第三周–浅层神经网。今天学了神经网络的概览和表示。联系上周所学知识，神经网络可以看成是多个由logisitc回归组成的。而且神经网络的输出也可以用上周所学的向量法来计算，不同样本的神经网络也可用向量法计算。

第二周大作业——Python Basics with Numpy

此次大作业简单的教会了如何用代码实现向量化，还有向量化的一些计算，以及与普通的实数计算相比，向量化计算的优势。

math与numpy中exp函数区别：

math：

numpy:
可以进行向量的计算

sigmoid函数及其求导：

规范行量：

广播和softmax函数

向量化：LOSS函数

碰到问题：

在求范数中，函数列表的参数代表了什么意思？

解答：

https://blog.csdn.net/hqh131360239/article/details/79061535，ord=1：列和的最大值

ord=2：|λE-ATA|=0，求特征值，然后求最大特征值得算术平方根(matlab在线版，计算ans=ATA，[x,y]=eig(ans)，sqrt(y)，x是特征向量，y是特征值)

ord=∞：行和的最大值

ord=None：默认情况下，是求整体的矩阵元素平方和，再开根号。（没仔细看，以为默认情况下就是矩阵的二范数，修正一下，默认情况下是求整个矩阵元素平方和再开根号）

③axis：处理类型

axis=1表示按行向量处理，求多个行向量的范数

axis=0表示按列向量处理，求多个列向量的范数

axis=None表示矩阵范数。

④keepding：是否保持矩阵的二维特性

True表示保持矩阵的二维特性，False相反

2019.10.6学习进度

今天是第七天参加STAR Pro,今天主要学习了第三周———浅层神经网的知识。在此节中，了解了浅层神经网络是如何设置的，在train中通过正向传播计算出预值和导数，之后再通过梯度下降法优化参数，反向优化所求函数。

2019.10.7学习进度

今天是第八天参与STAR Pro,今天主要完成了两方面内容：

1.《机器学习-李宏毅》

初步学习了P1与P2.

P1了解机器学习的概念、种类及其应用。
P2主要了解了神经网络的构造，构建一个神经网络主要分为三步：Step 1: Model、 Step 2: Goodness of Function 、Step 3: Gradient Descent。模型越复杂，实际test中精度不一定准确，而且在回归模型构建和输入x选择上考虑的因素覆盖面要广。函数中可以加入smooth functions，The functions with smaller ??are better。

第二周大作业——Logistic Regression as a Neural 1-4.2

学习了如何对矩阵进行转置等操作.

样本矩阵的参数

转置矩阵

sigmoid()函数设置

初始化参数

碰到问题1
2中pil.imshow函数的作用是什么？
解决

问题2
numpy中array的使用方法有哪些？
解决
https://blog.csdn.net/MsSpark/article/details/83050000
https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html
https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.shape.html