吴恩达深度学习学习笔记——C1W2——神经网络基础-3

1.  向量化(向量化可以提高计算速度)

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第1张图片

 

 

2. 神经网络编程准则之一——尽可能避免使用显式循环,以提高计算性能

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第2张图片

 

3. 向量函数和矩阵函数

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第3张图片

 

4. Logisitc回归的梯度

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第4张图片

 

5. Logisitc回归的向量化表示

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第5张图片

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第6张图片

 

6. Logistic的Python代码实现(矢量化表示,相比左边的for循环表示,要简洁很多)

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第7张图片

 

7. Python中的广播机制

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第8张图片

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第9张图片

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第10张图片

 

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第11张图片

 

8. Logistic回归成本函数详解

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第12张图片

吴恩达深度学习学习笔记——C1W2——神经网络基础-3_第13张图片

 

 

 

 

 

 

 

 

 

 

你可能感兴趣的:(机器学习,深度学习(ML/DL))