吴恩达深度学习笔记【1】
监督学习简介
文章目录
- 监督学习简介
- 前言
- 一、监督学习常见应用
- 二、基础知识
- 1.数据类型
- 2.学习次序
- 3.常用符号
- 4.二分分类(logistics)
- 5.梯度下降法
- 6.导数和流程图(略)
- 7.logistics中的梯度下降
- 7.向量化的必要性
- 8.向量化的logistics
- 总结
前言
学习的第一天
一、监督学习常见应用
输入 | 输出 | 应用 | 类别 |
---|---|---|---|
房子特色 | 房价 | 房地产 | Stand NN |
广告 | 广告点击 | 网络广告 | Stand NN |
图像 | 目标(1,……,n) | 图像目标 | CNN |
音频 | 转文字 | 文字识别 | RNN |
英语 | 中文 | 机器翻译 | RNNs |
图像、雷达信息 | 汽车位置 | 自动驾驶 | hybrid neural network |
二、基础知识
1.数据类型
结构化数据 | 非结构化数据 |
---|---|
表格式的数据 | 如图像、文本、声音 |
2.学习次序
week | content |
---|---|
1 | 介绍 |
2 | 神经网络程序基础 |
3 | 单隐层神经网络 |
4 | 多层神经网络 |
3.常用符号
功能 | 矩阵大小 |
---|---|
训练集输入 | X.shape=(n,m) |
训练集标签 | Y.shape=(1,m ) |
训练集 | {(x1,y1),……(xm,ym)} |
矩阵维数 | R |
训练集 | M_train |
测试集 | M_test |
第i个集合 | xi或yi…… |
4.二分分类(logistics)
借用sigmoid函数:
第一种表示(本课程使用):
第二种表示:
损失函数
(越小越好)
非凸:
本文使用:
成本函数
5.梯度下降法
从某一点开始,从最陡峭的那个坡往下走。(dw于程序中表示导数名)
6.导数和流程图(略)
7.logistics中的梯度下降
先算出dL/da,然后算出da/dz=a(1-a),从而得到dL/dz
再由dz/dw得到dL/dw
7.向量化的必要性
import numpy as np
import timea=np.random.rand(1000000)#生成随机数
b=np.random.rand(1000000)tic=time.time()#计时
c=np.dot(a,b)#点乘
toc=time.time()print("array time is:"+str(1000*(toc-tic))+"ms")#输出+类似js的字符串合并+强制类型转换c=0
tic=time.time()#计时
for i in range(1000000):#循环c+=a[i]*b[i]
toc=time.time()print("loop time is:"+str(1000*(toc-tic))+"ms")
array time is:2.9914379119873047ms loop time is:365.05675315856934ms
相量比循环快了一百二十多倍(其实我在用MATLAB时就知道了),再用MATLAB试一试
a=rand(1,1000000);
b=rand(1,1000000);tic
c=a.*b;
toc*1000tic
for i=1:1000000c(i)=a(i)*b(i);
end
toc*1000
ans = 8.179100000000000 ans = 23.912500000000001 可见用数组,python快于MATLAB,而用循环,MATLAB明显快于python
8.向量化的logistics
python和MATLAB都有“广播”功能,也就是当数组和实数相加时,会自动将实数扩展为数组。
python:
import numpy as np#已知训练集x(n*m),标签Y(m*1),以及初始的w(1*n),b(1*1),训练次数N,学习率a
for i in range(N):z=np.dot(w.T,x)+bA=1/(1+np.exp(-z))dz=A-Ydw=1/m*x*dz.Tdb=1/m*np.sum(dz)w:=w-a*dwb:=b-a*db
MATLAB:
%已知训练集x(n*m),标签Y(m*1),以及初始的w(1*n),b(1*1),训练次数n,学习率a
for i=1:Nz=w*x+b;A=1./(1+exp(-z));dz=A-Y;dw=1/m*x*dz';db=1/m*sum(dz);w=w-a*dw';b=b-a*db;
end
总结
我会继续努力的
吴恩达深度学习笔记【1】相关推荐
- 吴恩达深度学习笔记(四)
吴恩达深度学习笔记(四) 卷积神经网络CNN-第二版 卷积神经网络 深度卷积网络:实例探究 目标检测 特殊应用:人脸识别和神经风格转换 卷积神经网络编程作业 卷积神经网络CNN-第二版 卷积神经网络 ...
- 799页!吴恩达深度学习笔记.PDF
吴恩达深度学习课程,是公认的最优秀的深度学习课程之一,目前没有教材,只有视频,本文提供完整笔记下载,这本笔记非常适合和深度学习入门. 0.导语 黄海广博士和同学将吴恩达老师深度学习视频课程做了完整的笔 ...
- 吴恩达深度学习笔记——卷积神经网络(Convolutional Neural Networks)
深度学习笔记导航 前言 传送门 卷积神经网络(Convolutional Neural Networks) 卷积神经网络基础(Foundations of Convolutional Neural N ...
- 吴恩达深度学习笔记——神经网络与深度学习(Neural Networks and Deep Learning)
文章目录 前言 传送门 神经网络与深度学习(Neural Networks and Deep Learning) 绪论 梯度下降法与二分逻辑回归(Gradient Descend and Logist ...
- 吴恩达深度学习笔记——结构化机器学习项目(Structuring Machine Learning Projects)
深度学习笔记导航 前言 传送门 结构化机器学习项目(Machine Learning Strategy) 机器学习策略概述 正交化(orthogonalization) 评价指标 数字评估指标的单一性 ...
- 吴恩达深度学习笔记1-Course1-Week1【深度学习概论】
2018.5.7 吴恩达深度学习视频教程网址 网易云课堂:https://mooc.study.163.com/smartSpec/detail/1001319001.htm Coursera:htt ...
- 吴恩达深度学习笔记(四)—— 正则化
有关正则化的详细内容: 吴恩达机器学习笔记(三) -- Regularization正则化 <机器学习实战>学习笔记第五章 -- Logistic回归 主要内容: 一.无正则化 二.L2正 ...
- 吴恩达深度学习笔记_Github标星过万的吴恩达机器学习、深度学习课程笔记,《统计学习方法》代码实现,可以在线阅读了!...
吴恩达机器学习.深度学习,李航老师<统计学习方法>,可以说是机器学习入门的宝典.本文推荐一个网站"机器学习初学者",把以上资源的笔记.代码实现做成了网页版,可以在线阅读 ...
- 吴恩达--深度学习笔记
这是一个督促自己学习的笔记 文章目录 这是一个督促自己学习的笔记 1.logistic回归 1. 神经网络基础----二分分类 2. logistic回归 3. logistic回归损失函数 4. 梯 ...
- 吴恩达深度学习笔记- lesson4 卷积神经网络
文章目录 Week 1 卷积神经网络基础 4.1.1 计算机视觉(Computer vision) 4.1.2 边缘检测示例(Edge detection example) 4.1.3 更多边缘检测内 ...
最新文章
- 过年了,少喝点酒,多喝点茶—绿茶不仅仅是你想的那么简单
- ionic3使用@angular/http 访问nodejs(koa2框架)服务不能返回数据
- Spring Cloud——基于OpenFeign调用PaddleOCR的Restful API服务解决方案
- Acwing202. 最幸运的数字
- 软件测试:Jmeter关联详解
- window10本地解析域名
- 小型论坛php,PHP练手:一个小型论坛(带后台)_PHP教程
- java中的无效的列类型_java.sql.SQLException: 无效的列类型: 1111
- Swift 4.0 中对 Dictionary 的改进(转载)
- mp2551总线收发器芯片作用_什么是现场总线,为什么需要隔离处理?
- java视频上传,播放预览,解决苹果手机视频无法预览的问题
- nginx 工作原理
- MATLAB R2018b for Mac(数学分析软件)附matlab激活密钥
- 用java实践了下Bingo游戏的玩法
- 碎石生产线在丽江市的生产厂家在哪里
- PS CS6视频剪辑基本技巧(三)添加声音和字幕
- 人脸识别与美颜算法实战-图像特效
- 黑吃黑第四季/全集Banshee迅雷下载
- 基于Java+Springmvc+vue+element员工信息管理系统详细设计
- Axure 教程:Axure加载第三方脚本