ufldl学习笔记与编程作业：Vectorization（向量化/矢量化）

ufldl学习笔记与编程作业：Vectorization（向量化/矢量化）

ufldl出了新教程，感觉比之前的好，从基础讲起，系统清晰，又有编程实践。

在deep learning高质量群里面听一些前辈说，不必深究其他机器学习的算法，可以直接来学dl。

于是最近就开始搞这个了，教程加上matlab编程，就是完美啊。

新教程的地址是：http://ufldl.stanford.edu/tutorial/

本节学习链接：http://ufldl.stanford.edu/tutorial/supervised/Vectorization/

什么是向量化？怎么样向量化？

简单来说，向量化在代码的体现就是，把一些for循环的操作，用矩阵操作的形式代替。

教程中举了一些例子，可以去看看。

比如说，线性回归，求预测值时，普通做法是一个example求一次，m个example就得循环m次。

而向量化操作，用一个矩阵相乘的方法，一次性把m个example的预测值都求出来。

个人觉得，要实现向量化编程，必须个人头脑中对模型中主要数据(矩阵)都要有清晰地印象，特别是矩阵的维度。

为什么要向量化？

1 代码简洁；2 速度快。

主要是速度快。一般你自己所写的一些循环操作是比MATLAB封装好的矩阵操作是慢很多的。因为那些MATLAB数值计算库是根据科学家的并行运算的研究写出来的。当然，你牛逼的话，或许可以写出比那些库更快的代码。

当初我就是自不量力，在cuda上写一些核函数做运算，后来结果当然是比cublas慢很多。

因此，想写一个比caffe快的cnn框架，就得高一段落了。

这节的编程作业是对线性回归和逻辑回归进行向量化编程。

由于我之前已经是向量化编程了，所以这里就不列代码了。

本文作者：linger

本文链接：http://blog.csdn.net/lingerlanlan/article/details/38390429