深度学习笔记002-线性回归

线性回归（Logistic regression）是一个适用于二分类（Binary Classification） 问题

二分类问题举例：

输入一张图片，判断该图片是否是一只猫饼，是猫饼输出1，不是输出0

首先我们用 y来表示输出的结果标签

在计算机中，我们所看到的图像是使用RGB（red,green,bule）三种颜色来显示的，通过不同的R，G，B数值来显示不同的像素点，最终一个个像素点组合成我们所要看到的图像，如下图所示：

我们把这些像素值提取出来，放入一个特征向量X中：

如果我们输入的图像是64x64的三通道彩色图片，我们的特征向量X就是一个长度为64643=12288的一维向量（如上图）

所以在二分类问题中，我们需要实现的就是训练出一个分类器（classifier），这个分类器以我们的特征向量x作为输入，并进行预测，最后输出结果标签y（1或0），标签结果代表图片中是否有猫饼

一些符号：

好的符号，能够使得后期深度学习的时候将不同训练样本的数据关联起来（将不同的训练样本数据取出来放到不同的列上）
我们使用一对 （x,y） 来表示一个单独的样本；
x代表的是nX维的特征向量，y则是label标签：0或1

我们的训练集由m个训练样本组成，我们使用（x1，y1）来表示第一个样本（这里的1是上标小1）
依次类推，直到最后一个样本（xm，ym）。

{（x1，y1）…（xm，ym）} 代表的就是整个训练集
——————————————————————————————————————
我们使用小写的m来表示整个训练集中的样本个数
——————————————————————————————————————
我们定义一个大矩阵X，由m列的特征向量x组成，每个特征向量x有mx维，如下图
所以矩阵X是一个nxm的矩阵，在python中可以用X.shape()输出矩阵维度
——————————————————————————————————————
对于label标签数据，我们同样也是用一个1m维度的矩阵来表示：

结束语：

符号的定义在后期理解训练样本很重要，可以翻阅