第十二篇：向量化的更多例子

1、在上节课程中，我们知道通过numpy内置函数和避开显式循环(loop)的方式进行量化，从而有效提高代码的速度。

2、经验提醒我，当我们在写神经网络程序时，或者在写逻辑（logistic）回归，或者其他神经网络模型时，应该避免写循环（loop）语句。虽然有时写循环(loop）是不可避免的，但是我们可以使用比如numpy的内置函数或者其他办法去计算。当你这样使用后，程序效率总是快于循环（loop）。

3、举个实例:

• 计算向量u=Av， 这时矩阵的乘法定义为： = ;

使用非向量化实现:

         u = np. zeros(n,1), 并且通过两层循环for(i)：for(j):, 得到 u[i] = u[i] + A[i][j] * v[j]

使用向量化实现:

        u=np.dot(A, v),通过这种向量化的实现方式，消除了两层循环，使得代码运行速度更快；

• 如果你已经有一个向量 v, 并且想要对向量化 v 的每个元素做指数操作，得到向量 u 等于 e 的 v1，e 的 v2，一直到 e 的 vn次方。即:

                                       

使用非向量化的实现方式:

                      u = np. zeros((n,1))

                      for  in  range (n):

                            u[i] = math.exp (v[i])

 

使用向量化的实现方式:

                import numpy as np

                u = np. exp(v)

 

    

 将向量化运用在逻辑回归的梯度下降上

  非向量化的实现方式:

                       

向量化实现方式：