第十三篇：向量化逻辑回归(Vectorised Logistic Regression)

1、逻辑回归的前向传播步骤:

如果你有m个训练样本，为了完成前向传播步骤，需要对于每一个样本都进行预测，即对m个样本都计算出预测值，过程为:

• 对 第一个样本进行预测:

                                         =  +   b;

                                         = σ();

•  对第二个样本进行预测:                          

                                           = +   b;

                                         = σ();

•  对第三个样本进行预测:

                                                          

依次类推，一直要将m个样本的预测值都计算出来；

 

2、不使用明确的for循环的向量化的处理步骤:

    定义一个训练输入矩阵X，X∈,即是一个  行 m 列的矩阵，改写成 Python.numpy 的形式(,m)；

                                                  

对于z来说，需要计算 , , .….., 一直到 ,因此构建一个 1*m 的矩阵 Z = [.…..]，而  =  +   b;因此可以写成[.…..] = [  + b, + b…... + b];而对于numpy的命令是 Z = np.dot(w.T, x) + b,这里在Python中有一个巧妙的地方，这里b是一个实数，或者你可以说是一个1×1矩阵，只是一个普通的实数。但是当你将这个向量加上这个实数时，Python自动把这个实数b扩展成一个1xm的行向量。它在Python中被称作广播（brosdcasting).

对于同时计算 [.…..] 的方法。可以堆积小写变量 a 间形成一个新的变量，可以将它定义为大写A,即： A =   [.…..] = σ(z), 通过恰当地运用σ 一次性计算所有a。