吴恩达深度学习课程笔记-神经网络编程基础-二分类
吴恩达深度学习课程笔记
第二周:神经网络编程基础(Basics of Neural Network programming)
2.1 二分类(Binary Classification)
首先我们从一个问题开始说起,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。现在我们可以用字母来表示输出的结果标签,如下图所示:
我们来看看一张图片在计算机中是如何表示的,为了保存一张图片,需要保存三个矩阵,它们分别对应图片中的红、绿、蓝三种颜色通道,如果你的图片大小为64×64像素,那么你就有三个规模为64×64的矩阵,分别对应图片中红、绿、蓝三种像素的强度值。为了便于表示,这里我画了三个很小的矩阵,注意它们的规模为5×4,如下图所示:
为了把这些像素值放到一个特征向量中,我们需要把这些像素值提取出来,然后放入一个特征向量。为了把这些像素值转换为特征向量
,我们依次把红、绿、蓝的所有像素都取出来,放到一个特征向量中,那么向量
的总维度将是5x4x3=60,这是三个像素矩阵中像素的总量。现在我们用
来表示输入特征向量的维度,有时候为了简洁,我会直接用
来表示输入特征向量的维度。所以在二分类问题中,我们的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
为1还是0,也就是预测图片中是否有猫:
接下来我们说明一些在余下课程中,需要用到的一些符号。
符号定义 :
: 表示一个
维数据,为输入数据,维度为
;
:表示输出结果,取值为(0, 1);
: 表示第
组数据,可能是训练数据,也可能是测试数据,此处默认为训练数据;
: 表示所有的训练数据集的输入值,放在一个
的矩阵中,其中
表示样本数目;
: 对应表示所有训练数据集的输出值,维度为
。
当你在后面的课程中实现神经网络的时候,你会发现,一个好的符号约定能够将不同训练样本的数据很好地组织起来。而我所说的数据不仅包括或者
还包括之后你会看到的其他的量。将不同的训练样本的数据提取出来,然后就像刚刚我们对
或者
所做的那样,将他们堆叠在矩阵的列中,形成我们之后会在逻辑回归和神经网络上要用到的符号表示。