【学习笔记*二分类*Binary Classification】

本文根据吴恩达学习视频与黄海广博士笔记学习整理，用做自己复习用

·在神经网络的计算中，通常先有一个叫做前向暂停(forward pause)或叫做前向传播(foward propagation)的步骤，接着有一个叫做反向暂停(backward pause) 或叫做反向传播(backward propagation)的步骤。

·逻辑回归是一个用于二分类(binary classification)的算法。

·一张图片在计算机中是如何表示的：为了保存一张图片，需要保存三个矩阵，它们分别对应图片中的红、绿、蓝三种颜色通道，如果你的图片大小为64x64像素，那么你就有三个规模为64x64的矩阵，分别对应图片中红、绿、蓝三种像素的强度值。

·为了把这些像素值放到一个特征向量中，我们需要把这些像素值提取出来，然后放入一个特征向量。为了把这些像素值转换为特征向量 ，我们需要像下面这样定义一个特征向量 来表示这张图片，我们把所有的像素都取出来，例如255、231等等，直到取完所有的红色像素，接着最后是255、134、…、255、134等等，直到得到一个特征向量，把图片中所有的红、绿、蓝像素值都列出来。如果图片的大小为64x64像素，那么向量x的总维度，将是64乘以64乘以3，这是三个像素矩阵中像素的总量。在这个例子中结果为12288。

符号：

x：表示一个nx维数据，为输入数据，维度为（nx，1）；

y：表示输出结果，取值为（0,1）；

（x（i），y(i)）(i)为右上角标记 表示第i组，训练数据或者测试数据，此处默认为训练数据；

X=[x(1),x(2),...x(m)]:表示所有训练数据集的输入值，放在一个nx * m的矩阵中，m表示样本数目

Y=[y(1),y(2)...y(m)]:表示对应训练数据集的输出值，维度为1 * m

用一对（x，y）来表示一个单独的样本，x表示nx维的 特征向量，y表示 标签（输出结果）只能为0或1.训练集由m个训练样本组成，（x（1），y（1））表示第一个样本的输入输出。

最后为了能把训练集表示得更紧凑一点，我们会定义一个矩阵用大写X的表示，它由输入向量x(1)、x(2)等组成，如下图放在矩阵的列中，所以现在我们把x(1)作为第一列放在矩阵中，x(2)作为第二列，x(m)放到第m列，然后我们就得到了训练集矩阵。