python和向量化

最新推荐文章于 2024-01-31 09:58:23 发布

stay or leave

最新推荐文章于 2024-01-31 09:58:23 发布

阅读量223

点赞数

分类专栏：吴恩达学习笔记文章标签： python 机器学习深度学习

本文链接：https://blog.csdn.net/m0_48489427/article/details/130197321

版权

吴恩达学习笔记专栏收录该内容

7 篇文章 1 订阅

订阅专栏

文章讨论了使用向量化操作替代for循环在运行时间上的显著优势，特别是在梯度下降算法中。通过矩阵运算，如numpy的dot函数，可以极大地加速逻辑回归模型的训练过程。此外，文章还介绍了Python中的广播机制，用于处理不同形状的向量，以及如何正确定义和重塑向量的维度。

摘要由CSDN通过智能技术生成

为什么要向量化：使用for循环运行时间是使用向量运算运行时间的约300倍

我们把整个逻辑回归中的for循环尽可能用矩阵运算代替，对于单次迭代，梯度下降算法流程如下所示：

Z = np.dot(w.T,X) + b
A = sigmoid(Z)
dZ = A-Y
dw = 1/m*np.dot(X,dZ.T)
db = 1/m*np.sum(dZ)

w = w - alpha*dw
b = b - alpha*db

其中，alpha是学习因子，决定w和b的更新速度。上述代码只是对单次训练更新而言的，外层还需要一个for循环，表示迭代次数。

python中的广播机制：

如果我们要定义（5，1）的列向量或者（1，5）的行向量，最好使用下来标准语句，避免使用rank 1 array：

a = np.random.randn(5,1)  #定义5，1）的列向量，标准定义法
b = np.random.randn(1,5)
assert(a.shape == (5,1)) #使用assert语句对向量或数组的维度进行判断
a.reshape((5,1))          #还可以使用reshape函数对数组设定所需的维度