吴恩达deep learning学习笔记（2）

1.python broadcasting
A.sum(axis =0) 矩阵列向量求和
A.sum(axis= 1）行向量求和
A.reshape(3,4).sum(axis=0)/B.reshape(1,4)
A列向量求和后除以对应的B

A.reshape（m,n) ±*/ B.reshape(1,n)
then B.reshape(1,n) are broaden to (m,n)

为了避免出现出现难以理解的bug：
1.不要使用形状为（5,）的数组，即用A = np.random.rand(5) 或A=np.full(5,value）生成的数组；推荐使用A = np.random.rand(1，5) A=np.full(（1,5）,value）生成的数组
因为如果A是一个数组，A.T还是其本身！！
2.使用断言语句 a.shape == (1,5)
3. a = a.reshape(1,5) 来将数组转化为行向量或列向量

2.对logistic函数的解释
假设P(x|Y=1) = yhat
P(x|Y=0) = 1-yhat
s.t. P(x|Y=y) = power(yhat,y)*power(1-yhat,1-y)
由极大似然估计，要选择参数w使P（x|Y=y)最大
因此即 L（z） 最小
对一个样本集,如果是独立同分布：
P(labels in training set) = π P（x(i)|Y=y(i))
由极大似然估计，即J（z)取极小值

3.神经网络