【逻辑回归】深度学习专项课程学习记录1——用神经网络思想实现Logistic回归解决图像二分类问题

学习目标

用逻辑回归解决图像二分类问题

学习笔记

学习时间

2022.6.23

总结

1. 逻辑回归实际上是一个非常简单的神经网络；
2. 模型进一步优化的方法：
   调整学习率（learning_rate）、迭代次数（num_iterations）；
   尝试不同的初始化方法并比较结果；
   尝试其他预处理（将数据居中，或将每行除以其标准偏差）；
3. 关于学习率：
   不同的学习率会带来不同的损失，因此会有不同的预测结果；
   如果学习率太大，cost可能会上下波动。 甚至可能会发散；
   较低的损失并不意味着模型效果很好。当训练精度比测试精度高很多时，就会发生过拟合情况；
   所以在深度学习中，通常：
   选择好能最小化损失函数的学习率。
   如果模型过拟合，使用其他方法来减少过拟合。

需要注意的地方

1. w的维度是(m_train,1)，m是训练样本的数量；
2. b初始化为0.0，类型是float；
3. 反向传播的公式推导（还没明白）。