深度学习基础知识（四）：神经网络基础之二分分类

这个专栏主要是想和大家分享一下深度学习的基础知识，主要是以吴恩达老师深度学习课程内容作为基础，并补充了很多其他内容希望让整体内容更加容易理解和系统化。如果想要了解具体专栏里面有什么内容的话，可以看一看我们专栏的目录，在目录里面还说明了小伙伴的分工，这些内容都是所有小伙伴们一起努力完成的，有希望和我们一起学习的的小伙伴也可以加入我们啊。另外我们还将内容以书籍的形式放到了github上，之后还会陆续上传源码实现等其他内容。我们还会分享深度学习-论文阅读专栏、强化学习-基础知识专栏、强化学习-任务阅读专栏，也欢迎大家关注。可能会有很多错漏，希望大家批评指正！还是那句话，不要高估一年的努力，也不要低估十年的积累，与君共勉！

神经网络基础（Nerual network basic）

1. 二分分类

1.1 定义

​ 对某个事件或者事物进行“是”或者“否”的判断，即可表示为如“0”和“1”两种数据形式。

1.2 数学定义

​ 对某个事件的结果y进行判断

​ 需要有一个期望值$h_{\theta }\left(x\right)$，使得：

​ 最后根据期望值hθ(x)与0.5的大小，输出结果

​ 当然，也不一定是将期望值与0.5去进行比较，因为最终得到的期望值其实并不完全等同于我们判断的概率，现实当中可以根据实际需要及时调整。

引用文献：https://blog.csdn.net/mathlxj/article/details/81490288

例子：对一张图片中的动物是否是猫。

​ 具体的判断方法为：利用图片中的各个像素点的三原色（红、绿、蓝）的亮度值来表示图片的特征，并且将这些亮度值转换为n维特征向量作为算法的输入值，最后利用逻辑回归（logistic回归）算法等各种算法判断出图片中的动物是否是猫，最后给出对应的结果。

​ 简单点说，分析图片三原色亮度值 → 获取特征向量作为输入 → logistic回归算法进行运算 → 输出判断结果

1.3 常用符号

符号	含义	作用
x	x维特征向量	常用于表示图片的特征
$n_x$或$n$	输入特征向量维度
y	预测结果	二分类中用0或1表示结果
(x,y)	一个单独的样本	训练集的一个成员
$\left(x^{(i)},y^{(i)}\right)$	一个训练集中的第i个样本	区分训练集中的每个样本
m或者m_train	训练集样本个数
$X=\left[\begin{array}{ccc}\cdots & \cdots & \cdots \\ x^1& x^2& \cdots \\ \cdots & \cdots & \cdots \end{array}\right]$	大写X表示训练集中所有样本的输入特征向量的矩阵集合	m列x行，作为输入矩阵
$Y=\left[y^{(1)}{y}^{(2)}\cdots \cdot y^{(m)}\right]$	训练集样本预期值矩阵	1*m矩阵
$z^{(i)}$	sigmoid()函数对于样本i计算值	常用于表示样本i的计算值
$$W^{(i)}$$	表示第i层卷积层的参数W的特征向量	常用于sigmoid()函数的计算
$\hat{y}$	对样本输入的预测向量
$J(x,W,b,y)$	损失函数

​ 需要注意，矩阵X不能用特征向量横向集合而成，即不能写成如下形式：

​ $X=\left[\begin{array}{ccc}\cdots & x^1& \cdots \\ \cdots & x^2& \cdots \\ \cdots & \cdots & \cdots \end{array}\right]$（错误）

1.4 多分类

​ 本质上是在二分分类上的拓展，讲判断结果分成了更多的部分。例如，识别水果的种类是苹果还是西瓜，或者是香蕉。