2.14 向量化 logistic 回归的梯度输出(Vectorizing Logistic Regression’s Gradient)
如何向量化计算的同时,对整个训练集预测结果𝑎,这是我们之前已经讨论过的内容。在本次视频中我们将学习如何向量化地计算𝑚个训练数据的梯度,本次视频的重点是如何同时计算 𝑚 个数据的梯度,并且实现一个非常高效的逻辑回归算法(Logistic Regression)。
之前我们在讲梯度计算的时候,列举过几个例子,
d
z
(
1
)
d{{z}^{(1)}}
dz(1) =
a
(
1
)
{{a}^{(1)}}
a(1) −
y
(
1
)
{{y}^{(1)}}
y(1),
d
z
(
2
)
d{{z}^{(2)}}
dz(2)=
a
(
2
)
{{a}^{(2)}}
a(2) −
y
(
2
)
{{y}^{(2)}}
y(2) ……等等一系列类似公式。现在,对 𝑚个训练数据做同样的运算,我们可以定义一个新的变量 𝑑𝑍 = [
d
z
(
1
)
d{{z}^{(1)}}
dz(1),
d
z
(
2
)
d{{z}^{(2)}}
dz(2). . .
d
z
(
m
)
d{{z}^{(m)}}
dz(m)] ,所有的 𝑑𝑧 变量横向排列,因此,𝑑𝑍 是一个 1 × 𝑚的矩阵,或者说,一个 𝑚 维行向量。在之前的幻灯片中,我们已经知道如何计算𝐴,即[
a
(
1
)
{{a}^{(1)}}
a(1),
a
(
2
)
{{a}^{(2)}}
a(2). . .
a
(
m
)
{{a}^{(m)}}
a(m)],我们需要找到这样的一个行向量 𝑌 = [
y
(
1
)
y
(
2
)
.
.
.
y
(
m
)
{{y}^{(1)}}{{y}^{(2)}}...{{y}^{(m)}}
y(1)y(2)...y(m)] ,由此,我们可以这样计算𝑑𝑍 = 𝐴 − 𝑌 = [
a
(
1
)
−
y
(
1
)
a
(
2
)
−
y
(
2
)
.
.
.
a
(
m
)
−
y
(
m
)
{{a}^{(1)}}-{{y}^{(1)}}{{a}^{(2)}}-{{y}^{(2)}}...{{a}^{(m)}}-{{y}^{(m)}}
a(1)−y(1)a(2)−y(2)...a(m)−y(m)],不难发现第一个元素就是
d
z
(
1
)
d{{z}^{(1)}}
dz(1),第二个元素就是
d
z
(
2
)
d{{z}^{(2)}}
dz(2) ……所以我们现在仅需一行代码,就可以同时完成这所有的计算。
在之前的实现中,我们已经去掉了一个 for 循环,但我们仍有一个遍历训练集的循环,如下所示:
上述(伪)代码就是我们在之前实现中做的,我们已经去掉了一个 for 循环,但用上述方法计算 𝑑𝑤 仍然需要一个循环遍历训练集,我们现在要做的就是将其向量化!
首先我们来看 𝑑𝑏,不难发现 𝑑𝑏 =
1
m
∑
i
=
1
m
d
z
(
i
)
\frac{1}{m}\sum\nolimits_{i=1}^{m}{d{{z}^{(i)}}}
m1∑i=1mdz(i), 之前的讲解中,我们知道所有的
d
z
(
i
)
d{{z}^{(i)}}
dz(i)已经组成一个行向量 𝑑𝑍了,所以在 Python 中,我们很容易地想到𝑑𝑏 =
1
m
\frac{1}{m}
m1∗ 𝑛𝑝. 𝑠𝑢𝑚(𝑑𝑍);接下来看𝑑𝑤,我们先写出它的公式 𝑑𝑤 =
1
m
\frac{1}{m}
m1∗ 𝑋 ∗
d
z
T
d{{z}^{T}}
dzT 其中,𝑋 是一个行向量。因此展开后𝑑𝑤 =
1
m
\frac{1}{m}
m1∗ (
x
(
1
)
d
z
(
1
)
{{x}^{(1)}}d{{z}^{(1)}}
x(1)dz(1)+
x
(
2
)
d
z
(
2
)
{{x}^{(2)}}d{{z}^{(2)}}
x(2)dz(2)+...+
x
m
d
z
m
{{x}^{m}}d{{z}^{m}}
xmdzm)。因此我们可以仅用两行代码进行计算:𝑑𝑏 =
1
m
\frac{1}{m}
m1∗ 𝑛𝑝. 𝑠𝑢𝑚(𝑑𝑍), 𝑑𝑤 =
1
m
\frac{1}{m}
m1∗ 𝑋 ∗
d
z
T
d{{z}^{T}}
dzT。这样,我们就避免了在训练集上使用 for 循环。
现在,让我们回顾一下,看看我们之前怎么实现的逻辑回归,可以发现,没有向量化是非常低效的,如下图所示代码:
我们的目标是不使用 for 循环,而是向量,我们可以这么做:
现在我们利用前五个公式完成了前向和后向传播,也实现了对所有训练样本进行预测和求导,再利用后两个公式,梯度下降更新参数。我们的目的是不使用 for 循环,所以我们就通过一次迭代实现一次梯度下降,但如果你希望多次迭代进行梯度下降,那么仍然需要 for循环,放在最外层。不过我们还是觉得一次迭代就进行一次梯度下降,避免使用任何循环比较舒服一些。
最后,我们得到了一个高度向量化的、非常高效的逻辑回归的梯度下降算法,我们将在下次视频中讨论 Python 中的 Broadcasting 技术。
03-18
3130
10-09
684