Andrew Ng Neural-networks-deep-learning 课程笔记一

Week1 Introduction to Deep Learning

• Tips:在Andrew Ng的课程中，通常使用列向量构成的矩阵来表示一系列样本，如X.shape=(n_x,m),n_x为特征数，m为样本数

1.Neural Networks Basics

（1）Binary classification

• 二分类问题

二分类问题中，结果为离散的两个值，通常为0,1

以“识别图片中是否为猫”为例：
目标是训练一个能够图片中的动物进行“是否为猫”的判断的分类器，是则输出1,否则输出0

特征矩阵

在计算机中，图片以如图所示的三个分离的矩阵来存储，分别对应红绿蓝三个颜色通道，为了实现对于图像的识别，我们需要将三个分离的矩阵变换为特征矩阵，即一个代表图片中是否有猫的矩阵。

为了构造这个特征矩阵，我们需要将原图片reshape为一个(64*64*3,1)的矩阵，因为原图片的分辨率为64*64

（2）Logistic Regression

Logistic Regression是一种机器学习算法，用于输出结果只有两种情况的问题，目标是最小化prediction和training data之间的error。

仍以识别图片中的猫为例：

给出输入矩阵X，logistic regression算法能够计算出图片中有猫的概率，即：

logistics regression算法的参数有：

1. 输入矩阵X
2. 训练标签label（一般为1，0）
3. 权重矩阵W
4. 阈值threshold（用于区分有无猫）
5. 输出
6. 激活函数（Sigmoid，ReLu）