深度学习笔记_Week1
本笔记基于吴恩达深度学习deeplearning.ai课程
第二周：神经网络的编程基础
神经网络的训练过程可以分为前向传播和反向传播两个独立的部分
2.1 二分类(Binary Classification)
所谓二分类问题，可以参照以下例子
假如你有一张图片作为输入，比如这只猫，如果识别这张图 片为猫，则输出标签 1 作为结果；如果识别出不是猫，那么输出标签 0 作为结果。
在二分类问题中，目标就是习得一个分类器，它以图片的特征向量作为输入，然后预测输出结果 𝑦 为 1 还是 0
𝑋 = [𝑥 (1) , 𝑥 (2) , . . . , 𝑥 (𝑚) ]：表示所有的训练数据集的输入值，放在一个 𝑛𝑥 × 𝑚的矩阵中， 其中𝑚表示样本数目
𝑌 = [𝑦 (1) , 𝑦 (2) , . . . , 𝑦 (𝑚) ]：对应表示所有训练数据集的输出值，维度为1 × 𝑚。
用一对(𝑥, 𝑦)来表示一个单独的样本，𝑥代表𝑛𝑥维的特征向量，𝑦 表示标签(输出结果)只能为 0 或 1。 而训练集将由𝑚个训练样本组成，其中(𝑥 (1) , 𝑦 (1) )表示第一个样本的输入和输 出，(𝑥 (2) , 𝑦 (2) )表示第二个样本的输入和输出，直到最后一个样本(𝑥 (𝑚) , 𝑦 (𝑚) )，然后所有的这些一起表示整个训练集。
总的来说，𝑋是一个规模为𝑛𝑥乘以𝑚的矩阵，𝑌是一个规模为 1 乘以𝑚的矩阵。
2.2 逻辑回归(Logistic Regression)
逻辑回归通过计算 y^ 来实现对实际值 y 的估计，一件可以尝试却不可行的事是让𝑦^ = 𝑤𝑇𝑥 + 𝑏 ，因为我们希望的 y^ 值域为0到1，故要使用sigmoid函数。
sigmoid函数很好地将所有的z值映射到 0 到 1 之间。
2.3 逻辑回归的代价函数（Logistic Regression Cost Function）
为什么需要代价函数：
为了训练逻辑回归模型的参数参数𝑤和参数𝑏我们，需要一个代价函数，通过训练代价函数来得到参数𝑤和参数𝑏。
损失函数：
损失函数又叫做误差函数，用来衡量算法的运行情况，Loss function:𝐿(𝑦^ , 𝑦). 我们通过这个𝐿称为的损失函数，来衡量预测输出值和实际值有多接近。一般我们用预测值和实际值的平方差或者它们平方差的一半，但是通常在逻辑回归中我们不这么做，因为梯度下降法很可能找不到全局最优值，在逻辑回归模型中会定义另外一个损失函数。 我们在逻辑回归中用到的损失函数是：𝐿(𝑦^ , 𝑦) = −𝑦log(𝑦^) − (1 − 𝑦)log(1 − 𝑦^)
代价函数：
算法的代价函数是对𝑚个样本的损失函数求和然后除以m：
损失函数只适用于单个训练样本，而代价函数是参数的总代价，所以在训练逻辑回归模型时候，我们需要找到合适的𝑤和𝑏，来让代价函数 𝐽 的总代价降到最低。
2.4 梯度下降法（Gradient Descent）
即以求导数的方法不断地逼近全局最优解，即代价函数 𝐽 这个凸函数的最小值点
对于w和b，使用所有样本不断进行以下迭代：
其中 α 为学习率，用于控制步长（一次迭代移动的距离）
2.5 导数（Derivatives）
2.6 更多的导数例子（More Derivative Examples）
略
2.7 计算图（Computation Graph）
一个神经网络的计算，都是按照前向或反向传播过程组织的。首先我们计算出一个新的网络的输出（前向过程），紧接着进行一个反向传输操作。后者我们用来计算出对应的梯度或导数。
以下为课上计算图的例子：
所谓前向传播即从左到右进行计算，由abc到 𝐽 的过程，而得到 𝐽 后从右向左计算得到 𝐽 对各个变量的偏导数的过程即为反向传播。
2.8 使用计算图求导数（Derivatives with a Computation Graph）
计算的最终目标是 𝐽 对 a、b、c 的偏导数（因为我们的目的是通过偏导数进行梯度下降），可以通过高数的链式求导法则进行轻松计算，由于中间过程量以及最终结果在前向传播中已经计算得出，因此可以反向通过微分的方式逐一求出偏导数，直至最左边，此即反向传播。
2.9 逻辑回归中的梯度下降（Logistic Regression Gradient Descent）
简单推导一下w和b的偏导数
对于每个样本，要做的几件事是：
- 计算dz
- 根据dz计算dw、db
- 梯度下降，得到新的w和b的值
