吴恩达深度学习 C1_W2

C1_W2

接下来我们开始第二周(?)的学习

---

二分分类

那首先什么叫做二分分类呢？我个人的理解就是一个结果分为是与否的问题。

例如：给定一张图片，让机器判断这张图片中是否有猫的存在。是则输出1，不是则输出0，然后用y来表示输出的结果标签。

计算机保存一张图片，要保存三个独立矩阵分别代表图片红绿蓝的三个颜色通道。如果输入的图片是6464像素的，就会有三个6464的矩阵，矩阵中元素的值分别代表对于像素点三种不同像素的亮度。

为了方便计算，就把红绿蓝三个矩阵的元素从左到右从上到下依次列出来，合并成一个长度为36464的特征向量x，nx=12288表示这个特征向量的维度。

在二分分类中的问题中，我们的目标是训练出一个分类器（classifier）它以特征向量x作为输入预测出结果y是0还是1，也就是预测出图片中是否含有猫。

接下来老师列举了一些会常用到的符号：

第一行的(x,y)表示一个单独的样本，x是一个nx维度的特征向量，y为0或者1。一个训练集(training example)由m个样本组成，后面(x,y)对的上标i即表示为第i个样本中的x和y，m=m_train表示样本的长度。

接下来我们将m个列向量xi(这里的i为上标)合并成一个nxm的矩阵X，然后将y1，y2······ym组成一个1m的行向量Y，数据的处理到这里就ok了。

---

logistic 回归

已知输入的x，我们需要一个算法，去得到一个预测值y ^（y hat）表示对y的预测。y可能为1，可能为0，于是y ^为0-1的一个值，表示y可能为1的概率。

例如：x为一张图片，y ^表示这个图片里有猫的概率。

logistic回归中含有两个参数W,b，W为一个nx维度的向量，b为一个实数。

这样子处理有很大的问题，因为我们需要得到的y ^为0-1的一个值，而线性函数的值域显然不是0-1。于是在这个算式外面套一个sigmoid函数：

这个sigmoid上一个章节就简单的提到了一下：

(右边的为函数式)

这个函数能够很好的将R值域上的数值x转化为0-1的数值，其中x越大越接近于1，x越小越接近于0，x越大和越小的时候函数值的变化率都比较小接近于0。

老师后面还介绍了一些对W和b的其他表达方式，不过老师不会在这门课中进行使用，于是不多作赘述(我懒)。

---

logistic 回归损失函数<