吴恩达系列课程《神经网络与深度学习》第一周 | 第二周 | 学习笔记

吴恩达系列课程《神经网络与深度学习》第一周与第二周总结

最近一段时间，在学习吴恩达老师的《深度学习工程师》的系列课程。

从4月开始，陆陆续续的学习了有一段时间，英文教学，内容又涵盖很多的数学知识。简直就是英文版的高等数学，让人很想睡觉。然后有一次在图书馆里面5分钟就睡着了…

不经意回想起大学时期，被高等数学虐的样子。一颗高高的树上挂满了人…
又不经意回想起备考研究生的时候，数学虐我千百遍，我待数学如初恋…

写下这篇文章的目的有三：
1.记录一些学习感悟，学习历程。
2.学习这样一门系列课程，会有怎样的收获？
3.这样的课程适合什么人群？它是不是一门前期很难学懂的课程，许多人会放弃学完，又或者是学完后发现并没有什么实质性的收获。

暂时先确定这样的3个问题，等学完全部的系列课程，再仔细的聊一聊。

总结一下，关于《神经网络与深度学习》第一周和第二周的知识：

第一周 深度学习概述，这一周的内容不多，先谈论什么是神经网络，任何一本关于神经网络的书中都会说到，现阶段我大概理解的意思是——计算机模仿人脑中神经元的模型，然后构造出来的一种模型，它能干很多的事情！（给它竖大拇指）

还有一个对于神经网络中的监督学习这个点，现在没懂。（以后再补吧）

第二周 神经网络基础，这一周的内容真的很多，又有很多的数学，就是那种高中数学一打盹，醒来后发现完全不懂的感觉。这周的概念也巨多：logistic回归、损失函数、梯度下降、导数、向量化、Python广播。很多没补的概念（以后再补吧）

在看完第二遍的时候，我大概了解了本周的重点——在进行Python计算的时候，可以使用向量化的方法来节省代码运行的时间。第二个是它讲了一套数学公式，用于计算，具体公式细节的意义现在没懂。（以后再补吧）

先提了一个公式，我感觉这应该就是logistic回归的公式，然后提向量化，改进这个公式。

numpy里面的一些公式：

np.dot(a,b)	这是numpy的线性代数运算，两个数组的点积，即元素对应相乘。a b 均为矩阵
np.exp(v)	对数组v中各元素求指数 e^
np.abs(v)	对数组v中各元素求绝对值
np.max(v,0)	求数组中最大的元素
np.zeros((x,x))	声明0矩阵
np.sum(v)	对数组v各元素求和
NumPy 广播(Broadcast)	如果两个数组 a 和 b 形状相同，即满足 a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制