【学习笔记】神经网络与深度学习--Day 2

–Implement gradient descent for Logistic Regression

简单回顾：

L对a求偏导，就是：
$$\frac{-y}{a}+\frac{1-y}{1-a}$$

多个样本逻辑回归（梯度下降法）

向量化可以使得运算速度加快。

• X是一个（n_x, m）的矩阵

• W是（n_x, 1）的矩阵（有多少个特征 就有多少个w）

• **Z是要得到的结果（1，m） Z = W.T *X + b[1*m] 也就是Z = np.dot(W.T, X)+b **

• A = [a⁽¹⁾,a⁽²⁾,a⁽³⁾…,a^(m)] = sigmoid( Z ) 使用numpy 也十分简单，A = 1.0/(1+np.exp(-Z))

反向传播（向量化）

总结：最后的参数更新在此（注:dw是dl/dw…向上第四张图内有标注）

但是在更新参数的时候，避免不了要使用for进行迭代了。

---

今天到此为止。