写在前面

今天的内容主要是向量化，刚开始接触时感觉是很高深的什么算法，后来细细一看发现不过就是线代里面常用的技巧，将多个向量写成矩阵。不过numpy的库函数没有查，所以不是很明白为什么可以提高迭代速度。此时稍微对不同的语言有不同的应用场景有了些许体会，深度学习其实不算编程，只不过用编程语言实现了数学功能，python提供的库函数，以及像广播这样自动的功能，的确为“数学人士”节约了很多时间。不过纸上得来总觉浅，没有做编程作业，心里总是空捞捞。希望抽空可以动手分析一下。
几天学习的体会：重温微积分和线代，突然发现这两门课好有用...

向量化的三个课时

概括一下就是实现正向传播和反向传播的向量化，分为三个课时讲解。上图：

屏幕快照 2018-02-18 下午8.11.19.png
写在前面：刚才稍微分析了一下，发现了课中遗漏的一个点。课上并没有实现cost function 的向量化。按理说，每次迭代出新的w_1,w_2,b都要比较一下，J是否减小，以此求得最优解，有关数学的式子不太习惯用电脑写，就整理在笔记本上了。大概有两个问题。1.图中dz的式子写错了？2.logy，没有底数？估计是ln？ 下面是笔记：
66F78EDE-ED1F-42F6-92F1-9EA2016478F1.jpg
IMG_20180218_205940.jpg

广播

这块内容很容易理解，就不多说了

numpy中向量使用

（5，）是秩为一的数组，而（5，1）是5*1的矩阵，写代码时最好用矩阵，以免出现蜜汁bug