吴恩达深度学习 —— 2.11 向量化

向量化通常是消除代码中显式for循环语句的艺术，在深度学习安全领域、深度学习、练习中，经常发现在训练大数据集时，深度学习算法表现才更加优越，所以代码运行得非常快非常重要。否则如果运行在一个大数据集上，代码可能花费很长时间去运行，这将要等待非常长的时间去得到结果。

所以在深度学习领域，向量化是一个关键的技巧。

在逻辑回归中，需要计算$z=w^T\ast x+b$，w是列向量，x也是列向量。如果有很多的特征，这些向量就是非常大的向量，所以w和x都是$n_x$维的向量。

所以计算$w^T\ast x$，如果有一个非向量化的实现，你将会做一些事情，这将会使用到一个for循环用于计算z。

用向量化的方法，将会直接计算$w^T\ast x$，需要用到命令$z=np.dot(w,x)+b$，这就是向量化的方法。

事实证明，当能够使用向量化时就不要使用for循环。