吴恩达【深度学习工程师】专项课程包含以下五门课程:
1、神经网络和深度学习;
2、改善深层神经网络:超参数调试、正则化以及优化;
3、结构化机器学习项目;
4、卷积神经网络;
5、序列模型。
今天介绍《神经网络与深度学习》系列第三讲:神经网络基础(下)。
主要内容:1、向量化;
2、python/numpy的一些特性;
3、逻辑回归代价函数(cost function)的解释。
1、向量化
向量化(Vectorization)就是利用矩阵运算(代替for循环),提高运算速度。
如下所示:向量化计算的速度是for循环计算速度的134倍(吴恩达的课上是300倍)。
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
输出结果:
- 1
- 2
- 3
- 4
在逻辑回归中,整个训练样本构成的输入矩阵X的维度是( nx ,m),权重矩阵w的维度是( nx ,1),b是一个常数值,而整个训练样本构成的输出矩阵Y的维度为(1,m)。利用向量化的思想,所有m个样本的线性输出Z可以用矩阵表示:
在 numpy 中可以表示为:
- 1
- 2
其中,w.T表示w的转置。
在梯度下降过程中,dZ的维度是(1,m),可表示为:
db可表示为:
在 numpy 中可以表示为:
- 1
dw可表示为:
在 numpy 中可以表示为:
- 1
对于单次迭代,梯度下降算法流程如下所示:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
其中,alpha是学习率,决定w和b的更新速度。
2、Python中的小技巧
广播(Broadcasting)是python使用中的一种技巧,在python中可以对不同维度的矩阵进行四则混合运算,前提条件是至少有一个维度是相同的。
在python程序中为了保证矩阵运算不会出错,通常在运算前先使用 reshape() 函数来重新设定矩阵的维度。
在python/numpy中,如果我们用下列语句来定义一个向量:
- 1
变量 a 的维度是 (5,)。它既不是行向量也不是列向量,我们把 a 叫做秩为 1 的数组。这种定义会带来一些问题。例如我们对a转置后,得到的变量还是 a 本身。
因此,如果我们要定义(5,1)的列向量或者(1,5)的行向量,要避免使用秩为 1 的数组,使用下面的语句代替:
- 1
- 2
如果已经定义成秩为 1 的数组, 也可以使用 reshape 函数重新设定 a 的维度:
- 1
3、逻辑回归代价函数解释
首先,预测输出 y^ 的表达式可以写成:
其中, σ(z)=11+exp(−z) 。 y^ 可以看成是预测输出为正类(+1)的概率:
那么,当y=1时:
当y=0时:
我们把上面两个式子整合到一个式子中,得到:
由于log函数的单调性,可以对上式P(y|x)进行log处理:
我们希望上述概率P(y|x)越大越好,对上式加上负号,则转化成了单个样本的Loss function,越小越好,也就得到了我们之前介绍的逻辑回归的Loss function形式。
如果对于所有m个训练样本,假设样本之间是独立同分布的(iid),我们希望总的概率越大越好:
同样引入log函数,加上负号,将上式转化为Cost function,就这样我们得到了逻辑回归代价函数cost function(注意:式中, 1m 表示对所有m个样本的Cost function求平均。):