目录
2.1二分分类
解释：预测是与否y只有0和1
logistics回归是一个用于二分分类的算法
约定一个X矩阵的构成：
n*m ：n维m列，即每一个样本有n个特征，共m个样本
2.2 logistic回归
延伸：实际上，并不是非黑即白的世界，你无法利用
做到y只输出0或者1
所以需要利用sigmod函数来解决
sigmod图像
任务时求出
和b，通常会把
和b拆开来学习
再是考虑成本函数
2.3 logistic成本函数
为了训练模型的参数
和b，需要定义一个成本函数
如果直接用
作为损失函数，将会造成这个函数变成非凸函数，不利于梯度下降优化
所以对于sigmod函数，找了一个
L要最小，但
，且前面加了一个负号，那么L的取值区间就变成了
；
将每个样本的损失做全局平均和就变成了成本函数
2.4 梯度下降法
while 未达到全局最优点：
为学习率（考虑如何选择）
在
方向，成本函数J下降最快的方向，也是判断是否达到最优点的依据
2.5 流程图
J(a,b,c)=3(a+bc) ps正向传播
2.6 计算图的导数计算
微积分的链式法则
2.7 logistic回归中单个样本的梯度下降
Sigmod函数 
注意其导数，可以说与z无关
过程
2.8 m个样本成本函数梯度下降法
算法：
初始化 
for i to m
上面求出的是在J在
处的偏导
然后应用一步梯度下降更新一下
，靠近最优点
重复上面的过程，更新一次
，需要遍历一次样本，求梯度
2.9 向量化
向量化通常是消除代码中的for循环语句的艺术，尤其是在需要遍历数据时
for循环太占用时间了
数据越大，矩阵运行速度越快，for循环差距越明显
gpu,cpu都有并行化指定，有时候也称作SIMD指定（单指定多数据流）
numpy的矩阵运算，能充分的利用并行化
GPU更擅长做SIMD计算
2.10 更多的向量化指定
np.dot：
，并不是对应位相乘
算法优化：
把dw1，dw2这一小循环先优化了
然后再是把上面的大循环给优化
有 
+b 有numpy的广播功能存在
所以
，这个可以再一次优化
dot，点积已经相加了
算法汇总：
fori in range (1000):
一搞一搞，把成本函数给去了，发现成本函数虽然需要自己构造，但构造出来，是让你求梯度的，并不需要放入算法里进行计算
矩阵化计算，大大缩短了运算时间，比起for循环
注意点：一个是dot已经累加了，做dw+=xdz时，矩阵运算不需要加了
另一个是b是实数，他会自动加到每一个元素上去，这是numpy的广播性质
2.11 广播
(m,n) +-*/ (m,1):会让(m,1)横向复制n次
(m,n) +-*/ (1，n):会让(m,1)竖向向复制m次
2.12 不要使用秩为1的数组
a=np.random.randn(5)
创建的并不是行向量和列向量，创建的是一个秩为1的数组
a=np.random.randn(5，1)
使用上面这种方式才是创建了一个列向量
矩阵转置并不需要用到np.transpose这个函数，直接用A.T就行了
常用reshape，确保形状，唯独
常用.shape查看数组