L1神经网络与深度学习-2.13logistic的向量化&2.14向量化logstic回归的梯度输出

注：课程笔记，自用

2.13 主要内容:用向量化的形式去计算z和a的值（正向传播）

这里展示的是，对每一个样本分别计算//等，但是实际上，我们可以把m个样本的z组合成一个向量，同时计算

我们可以把m个样本的x组合起来
然后同时计算m个z组成的向量

注意，是一个1*n_x的向量，由于Z是m个z组合成的向量，维度是1*m,所以b也要变成1*m
上述思路，用numpy可以表示为：

b是一个实数，但是python会有广播机制将b扩展为矩阵

那么同理，a也可以用类似的方式计算

2.14 主要内容：用向量化的方法计算dz db dw

其实原理都是一样的，尽量用向量化的方法进行矩阵运算

在之前，我们知道了,那么我们可以用之前的思路，使用向量化的方法计算多个dz值

可以看到，一行就算出来所有的dz值（图片中的最后一行）

这里是原来计算dw与db的方式，注意，这里已经去掉了一层for循环（即把for w1 w2 w3变为了对w向量整体进行操作），现在要对其进行简化

这就是向量化的实现方法

总结：代码由左边变成了右边

但是这个for循环应该去不掉，这个for循环的意思是一共进行一千次梯度下降，相当于一共训练一千轮次网络