本文详细介绍了构建深度神经网络的过程，包括参数初始化、前向传播、激活函数应用、成本函数计算、反向传播算法的实现以及梯度下降用于参数更新的步骤。内容覆盖了从输入到输出的完整流程，并对sigmoid和relu激活函数进行了讨论。
Building your Deep Neural Network
1.初始化参数
W1,b1,W2,b2
2. forward propagation
Z[l]=W[l]A[l−1]+b[l]
where A[0]=X
3. 计算activation functio
sigmoid/relu
A[l]=g(Z[l])=g(W[l]A[l−1]+b[l])
output (A,cache)
其中cache 包括w1,b1…
4. 实现FP
AL, cache = linear_activation_forward(A,parameters['W'+str(L)],parameters['b'+str(L)],activation = "sigmoid")
caches.append(cache)5.计算 cost function
−1m∑i=1m(y(i)log(aL)+(1−y(i))log(1−aL))
np.dot不支持交换律
6.实现back propagation（以下的实现逻辑应该是倒着来的）
- 取dZ，W，b 求dW，db，dA
最低0.47元/天 解锁文章
919
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
