吴恩达 神经网络和深度学习 观看笔记（3）

Vectorization

在深度学习中，向量化用于消除一些for循环来加快运算的速度。

---

1、What is Vectorization

向量化就是把一些需要循环运算的数据用向量去表示和运算。如图，随机向量的乘机，我们用for循环迭代相加和用numpy中的dot函数去做，时间差距可以达到两百倍。

2、More Vectorization Examples

不仅仅有doc函数去完成向量和矩阵之间的计算，还有exp，log，abs，maximum等等。

在我们的逻辑回归梯度下降算法中，第二个for循环就可以用向量化的方式代替，设置dw=np.zeros（（n_x,1）），所有的x特征值做成一个向量，然后去累加：dw+=x*dw，用向量计算更简便了。

3、Vectoriztion Logistic Regression

通过向量化把之前的第一个for循环化简，写成矩阵的加减乘除形式。其中用到了python中的广播。

最后，从原来的代码，实现了对两次for循环的向量化，图中右边是整个向量化的结果，效率比之前高了不少。当然，如果我们需要多次迭代的梯度下降，还需要在外层做一个for循环，这个是避免不了的。

4、Broadcasting example

python中的广播很好理解，就是在矩阵的运算过程中，自动补全成符合运算要求的矩阵的形式，再去计算。

附上课后选择题和编程作业