本文介绍如何在Logistic回归中使用向量化方法一次性处理所有训练样本，避免使用显式for循环来提升效率。文中详细解释了如何计算z值及激活函数a值，并通过构建特定矩阵来并行执行这些计算。
1.不使用任何for循环用梯度下降实现整个训练集的一步迭代。
(0)我们已经讨论过向量化如何显著加速代码，在这次视频中我们会设计向量化是如何实现logistic回归，这样酒桶同时处理m个训练集，来实现梯度下降算法的一步迭代，不需要使用任何显式的for循环
(1)logistic回归正向传播的步骤：如果有m个训练样本，对一个样本进行预测，需要通过下面的方式计算出z值和激活函数a值，然后用同样的方法计算第二个和第三个样本...........以此类推，如果有m个样本的话，这样可能需要做上m次。
可以看出，为了执行正向传播的步骤，针对m各样本都需要计算出预测的结果，但是有一个办法不需要任何一个显示的for循环，
(2)定义矩阵X来作为训练的输入，像下面这个由m列堆叠在一起形成了nx x m的矩阵。首先要做的是计算z(1)、z(2)、z(3)等等，全部都在一个步骤中，我们先构建一个1xm的矩阵，实际上就是一个行向量，我们先计算z(1)，z(2)等等一直到z(m)，都是在同一时间内完成的，结果发现可以写成w的转置乘以大写的矩阵X再加上向量b，如下所示：
，最后计算的结果如下：
在numpy中的计算形式是：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
