04. logistic回归-反向传播

本文详细解析了Logistic回归中的反向传播过程,包括正向传播的符号表示、成本函数、梯度下降及其优化的向量化实现。通过对Ng的深度学习课程的学习,作者重新理解了Logistic回归,并提供了反向传播的计算步骤。
摘要由CSDN通过智能技术生成
  • 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=Rnx x . s h a p e = 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 ( 1 ) , y ( 1 ) ) , ( x ( 2 ) , y ( 2 ) ) , . . , ( x ( n ) , y ( n ) ) }

XRnxm X ∈ R n x ∗ m ,so X.shape=(nx,m) X . s h a p e = ( n x , m )

label: y{ 0,1} y ∈ { 0 , 1 } ,so y.shape=(1,m) y . s h a p e = ( 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 ŷ =P(y=1|x) y ^ = P ( y = 1 | x )

parameters: WRn

  • 4
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值