【Star Pro】T-2019.10.04-10.08学习记录

2019.10.04

复习了神经网络基础，查找有关文章，加强对神经网络理解，理清思路。
https://blog.csdn.net/york1996/article/details/98853729
https://blog.csdn.net/c406495762/article/details/77723333
大体更对神经网络的工作有了概念：利用数学公式模型来对输入参数进行处理并输出，通过大量训练样本来进行反向传输对公式模型进行调整，使模型更加符合所需功能，最后对输入测试样本应用该模型后输出判断。
对于图片处理，主要是将图片按照RGB三层分为三个矩阵，然后再reshape为一个（矩阵行数矩阵列数3，1）的向量，然后用该向量代表图片作为函数输入。
完成了大作业Python Basic of Numpy的一部分，熟悉了python中对矩阵的一些操作np.array()/np.len()/np.sum()/np.log()等函数使用。

![在这里插入图片描述](https://img-blog.csdnimg.cn/20191008170145494.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDQ2OTU5Nw==,size_16,color_FFFFFF,t_70

2019.10.05
接着完成了剩下的大作业，了解np.dot()点乘的使用。

注意事项：
矩阵相乘也就是矩阵的乘法操作要求左矩阵的列和右矩阵的行数要一致起来。
矩阵的点乘则要求矩阵必须维数相等，即MxN维矩阵乘以MxN维矩阵 。
https://blog.csdn.net/FrankyzhangC/article/details/6989943

2019.10.06
进入吴恩达神经网络课程第三周浅层神经网络部分，感觉难度加大了，每个课程都需要来回观看多次才能看懂。

了解了神经网络中各个参数的表示，已经了解神经网络中各层中所用参数，以及公式的推导。

2019.10.07
开始着手做大作业Logistic Regression as a Neural Network

在完成这一部分时，遇到了困难，

分别出现error:operands could not be broadcast together with shapes (1,2) (2,3)
ValueError: shapes (1,3) and (1,3) not aligned: 3 (dim 1) != 1 (dim 0)
后查询发现仍是矩阵乘法与矩阵点乘的误用，改为点乘后error消除