吴恩达深度学习课程笔记 2.1二分分类

吴恩达深度学习课程笔记

2.1二分分类



在实际用代码构建神经网络时，会有一些值得注意的地方。

例如：当我们有 m 个训练数据时，我们可能会想用 for 循环去遍历这些数据，但是在用 python 构建神经网络的时候，我们并不需要用到 for 循环去遍历数据集。还有是神经网络分为前向传播计算和反向传播计算。

二分类问题的例子，如下图所示：



我们输入一张图片作为X，比如上图中的小猫图；经过计算，我们得到一个输出Y，这个输出是一个离散的值，比如输出 1 ，就认为图片是小猫，输出 0 ，就认为图片中不是小猫。这就是一个简单的二分类问题。

下面我们来看一下一张图片是怎么在计算机中表示的。



计算机表示一张图片是用三个独立的矩阵，分别对应图片的Red、Green、Blue三个颜色通道。如上图，我们输入一张64X64像素的图片，就会有三个64X64的矩阵来分别表示图片中的三个颜色通道，每个矩阵值就是表示图片中的每个像素的值。

（在这里 Andrew Ng 用这个5X4的小矩阵来代表64X64的矩阵）



下面我们要把这些像素值都放到一个特征向量里面作为X，如上图所示。

我们把R、G、B的所有像素值都按照顺序排成一列当做我们的X，这时候X的维度就是64X64X3了，也就是三个矩阵的元素数量。

这时候，我们用 n 来表示输入的特征向量X的维度，在这个例子里面 n 就是64X64X3了。

解决二分类问题，就是要训练一个分类器，就是我们输入一个X特征向量，经过计算输出一个Y标签。训练分类器就会有我们的数据集，数据集中数据的个数我们用 m 表示。数据集可能又会分为训练集（m_train）和测试集（m_test）。



我们定义训练集或测试集为X，在X里面就是堆叠着排列上述所说的（表示每张图片的X特征向量），按照上图所示是按列堆叠每张图片的特征向量，这样的话就是用m列，n行；也就是说我们定义的这个X是m列，n行的矩阵。实际应用中，我们可能会定义成m行，n列的矩阵。



定义标签Y的时候，按照列堆叠就定义成1行，m列的矩阵了。如上图所示。

下节将会讲到用Logistic Regression逻辑回归来解决二分类问题。

不足之处还望各位指正，多谢。

文中图片均来源于网易云课堂吴恩达的深度学习课程视频。