第二周：神经网络基础课堂笔记

2.7计算图

 2.8计算图的导数计算

 

 2.9 logistic回归中的梯度下降法

 

 

 2.10 m个样本的梯度下降

 

 

 

 

 

2.11向量化比for循环可以节省大量的时间，运行速度会更快

2.12 向量化的更多例子

 

 

 

2.13 向量化logistic 回归

 2.15python中的广播

https://blog.csdn.net/kevindree/article/details/88379111

https://blog.csdn.net/weixin_41923658/article/details/98195678

2.16关于python_numpy向量的说明

np.random.randn()函数

语法：

np.random.randn(d0,d1,d2……dn) 
1)当函数括号内没有参数时，则返回一个浮点数； 
2）当函数括号内有一个参数时，则返回秩为1的数组，不能表示向量和矩阵； 
3）当函数括号内有两个及以上参数时，则返回对应维度的数组，能表示向量或矩阵； （如下则返回2行3列的数组）
4）np.random.standard_normal（）函数与np.random.randn()类似，但是np.random.standard_normal（）
的输入参数为元组（tuple）. 
5)np.random.randn()的输入通常为整数，但是如果为浮点数，则会自动直接截断转换为整数。

 

 

 

建议使用下面的写法：