吴恩达视频－第一门课第2周2.10节－m 个样本的梯度下降(Gradient Descent on m Examples)

2.10 m 个样本的梯度下降(Gradient Descent on m Examples)
　　在之前的视频中,你已经看到如何计算导数，以及应用梯度下降在逻辑回归的一个训练样本上。现在我们想要把它应用在𝑚个训练样本上。

　　首先，让我们时刻记住有关于损失函数𝐽(𝑤, 𝑏)的定义。
　　$J(w,b)=\frac{1}{m}{\sum }_{i=1}^{m}L(a^{(i)},y^{(i)})$
　　当你的算法输出关于样本𝑦的$a^{(i)}$，$a^{(i)}$是训练样本的预测值，即：𝜎($z^{(i)}$) = 𝜎($w^T{x}^{(i)}$+ 𝑏)。 所以我们在前面的幻灯中展示的是对于任意单个训练样本，如何计算微分当你只有一个训练样本。因此𝑑$w_1$，𝑑$w_2$和𝑑𝑏 添上上标𝑖表示你求得的相应的值。如果你面对的是我们在之前的幻灯中演示的那种情况，但只使用了一个训练样本($x^{(i)}$, $y^{(i)}$)。
　　现在你知道带有求和的全局代价函数，实际上是 1 到𝑚项各个损失的平均。 所以它表明全局代价函数对$w_1$的微分，对$w_1$的微分也同样是各项损失对$w_1$微分的平均。

　　但之前我们已经演示了如何计算这项，即之前幻灯中演示的如何对单个训练样本进行计算。所以你真正需要做的是计算这些微分，如我们在之前的训练样本上做的。并且求平均，这会给你全局梯度值，你能够把它直接应用到梯度下降算法中。
　　所以这里有很多细节，但让我们把这些装进一个具体的算法。同时你需要一起应用的就是逻辑回归和梯度下降。
　　我们初始化𝐽 = 0, 𝑑$w_1$ = 0, 𝑑$w_2$ = 0, 𝑑𝑏 = 0
　　代码流程：


　　幻灯片上只应用了一步梯度下降。因此你需要重复以上内容很多次，以应用多次梯度下降。看起来这些细节似乎很复杂，但目前不要担心太多。希望你明白，当你继续尝试并应用这些在编程作业里，所有这些会变的更加清楚。
　　但这种计算中有两个缺点，也就是说应用此方法在逻辑回归上你需要编写两个 for 循环。第一个 for 循环是一个小循环遍历𝑚个训练样本，第二个 for 循环是一个遍历所有特征的 for循环。这个例子中我们只有 2 个特征，所以𝑛等于 2 并且$n_x$ 等于 2。 但如果你有更多特征，你开始编写你的因此𝑑$w_1$，𝑑$w_2$，你有相似的计算从𝑑$w_3$一直下去到𝑑$w_n$。所以看来你需要一个 for 循环遍历所有𝑛个特征。
　　当你应用深度学习算法，你会发现在代码中显式地使用 for 循环使你的算法很低效，同时在深度学习领域会有越来越大的数据集。所以能够应用你的算法且没有显式的 for 循环会是重要的，并且会帮助你适用于更大的数据集。所以这里有一些叫做向量化技术,它可以允许你的代码摆脱这些显式的 for 循环。
　　我想在先于深度学习的时代，也就是深度学习兴起之前，向量化是很棒的。可以使你有时候加速你的运算，但有时候也未必能够。但是在深度学习时代向量化，摆脱 for 循环已经变得相当重要。因为我们越来越多地训练非常大的数据集，因此你真的需要你的代码变得非常高效。所以在接下来的几个视频中，我们会谈到向量化，以及如何应用向量化而连一个 for循环都不使用。所以学习了这些，我希望你有关于如何应用逻辑回归，或是用于逻辑回归的梯度下降，事情会变得更加清晰。当你进行编程练习，但在真正做编程练习之前让我们先谈谈向量化。然后你可以应用全部这些东西，应用一个梯度下降的迭代而不使用任何 for 循环。