04. logistic回归-反向传播

• logistic回归
• 反向传播

反向传播

这应该是神经网络里面最难的部分了吧～～为此除了CS231n的课，还结合了Coursera上Ng的deeplearning课程

logistic 回归

想直接看反向传播的视频的，但发现Ng的符号使用不太一样，所以先从头看点～顺便重新理解了一下logistic回归，貌似又有了新的感觉～就记录下来吧

1. 符号表示：

input：$x.shape = R^{n_x}$ 样本特征是以列的形式放置的

m training example $\{(x^{(1)},y^{(1)}),(x^{(2)},y^{(2)}),..,(x^{(n)},y^{(n)})\}$

$X\in R^{n_x*m}$ ,so $X.shape = (n_x,m)$

label：$y\in\{0,1\}$,so $y.shape = (1,m)$

2. forward

我们需要将计算得到的输出与真实标签y进行对比，即$\hat y = P(y=1|x)$

parameters: W∈Rn