吴恩达deeplearning.ai:矩阵运算代码实战

神经网络向量化指的是将输入数据转化为向量形式，以便于神经网络的处理。向量化的作用包括以下几点：

提高计算效率：使用向量化的输入数据可以进行并行计算，加速神经网络的训练和推断过程。

减少存储空间：向量化可以将原始数据压缩为更小的向量形式，减少内存占用，提高存储效率。

简化数据处理：向量化将复杂的输入数据转化为向量形式，简化了数据的处理方式，使得神经网络可以更好地处理和识别模式。

支持多样化的输入类型：通过向量化，可以将不同类型的输入数据转化为统一的向量格式，使得神经网络可以接受多样化的输入，如图像、文本、音频等。

提高神经网络的表达能力：向量化的方式可以提取输入数据的特征信息，增加神经网络的表达能力，提高模型的性能和准确率。

总而言之，神经网络向量化的作用是提高计算效率、减少存储空间、简化数据处理、支持多样化的输入类型，以及提高神经网络的表达能力。
让我们进入神经网络的向量化实现吧
以下内容有任何不理解可以翻看我之前的博客哦

Numpy中的矩阵乘法运算

我们先定义一个矩阵A:

A = np.array([[1, -1, 0.1],
              [2, -2, 0.2]])              

那么矩阵A的转置AT就为：

AT = A.T

我们再定义一个矩阵W:

W = ([[3, 5, 7, 9],
      [4, 6, 8, 0]])

那么$$Z=A^T\cdot W$$代码为：

Z = np.matmul(AT, W)

matmul()是numpy中一个负责矩阵点积运算的函数。
该函数还有另一种写法：

Z = AT @ W

前向传播向量化

还是经典煮咖啡例子，200度17分钟：

先变量初始化一下

AT = np.array([[200, 17]])
W = np.array([[1, -3, 5],
           	  [-2, 4, 6]])
b = np.array([[-1, 1, 2]])           	 

再定义层：

def dense(AT, W, b, g):
  z = np.matmal(AT, W) + b
  a_out = g(z)
  return a_out#a_out==[[1, 0, 1]]

为了给读者你造成不必要的麻烦，博主的所有视频都没开仅粉丝可见，如果想要阅读我的其他博客，可以点个小小的关注哦。