【吴恩达深度学习】1. 神经网络和深度学习
一 神经网络基础
2.1 二分分类
1.图像RGB矩阵 64 x 64 x3 维的一个x向量
2. 构建神经网络时X为[x1,x2,x3....xm]一个R^nxm
2.8 计算图的导数计算
1.微积分链式法则
2. 反向传播
1.感觉是正向 需要一步一步计算才能算出j
2.反向的话,从后到前推导,比如某一个参数发生变化,只需要根据求导方程和变化幅度,就能得到结果J的变化
2.10 m 个样本的梯度下降
2.11 向量化
基本上就是减少for,多用向量. 比如:直接用np.dot实现矩阵乘法
2.13 向量化 logistic 回归
------------------------------------------
二 浅层神经网络
3.1 神经网络概览
3.2 神经网络表示
3.3 计算神经网络的输出
3.5 向量化实现的解释
3.6 **函数
3.7 为什么需要非线性**函数？
3.8 **函数的导数
3.9 神经网络的梯度下降法
3.10 （选修）直观理解反向传播
3.11 随机初始化