http://write.blog.csdn.net/mdeditor#!postId=77852727

2.1 二分分类

二分类例子：
判断图片中是否有猫：
将图片RGB矩阵拉伸为向量：

使用上面的特征向量来判断图片中是否有猫。

2.2 logistic 回归

2.3 logistic 回归损失函数

这里给出的是交叉熵损失函数：

2.4 梯度下降法

为了最小化代价函数，找到 w,b 的最优解

对 代价函数对 w，b 求导，再根据学习率，更新 w 和 b ：

2.5 到 2.8 是非常基础的导数讲解，这里就不做笔记了。

2.9 logistic 回归中的梯度下降法

2.10 m 个样本的梯度下降

计算步骤为：

2.11 向量化

我们讲上述的计算步骤向量化：

向量化 和 循环的代码对比：

我们可以看到向量化比循环的代码快了300倍左右。

2.12 向量化的更多例子

回到我们梯度下降的步骤，将其改为向量化：

2.13 向量化 logistic 回归

2.14 向量化 logistic 回归的梯度输出

进一步向量化 logistic 回归：

进一步向量化 梯度下降：

2.15 Python 中的广播

例子：
计算事物的能量成分比例：

python 代码如下：

axis = 0，列相加；axis = 1，行相加。

其他例子：

总结：

2.16 关于 python / numpy 向量的说明

这里写图片描述