机器学习深度学习——向量化

向量化

Whenever possible, avoid explicit for-loops.

为什么向量化

加快运算速率，这就要使用一个强大的工具包numpy
直接上代码看看非向量化和向量化的对比 计算 两个向量内积，可以看到，向量化的结果比非向量化的快了有三百倍

向量化的更多例子

矩阵和一个向量相乘

计算向量的指数运算

将向量化运用到logistic回归中

非向量化logistic回归的梯度下降代码：
在这个代码里面 有两个循环，绿色指示的部分，在计算dw的时候，如果我们有多个特征值，就要计算多个dw，此时n=2，dw就计算两个，很多的时候就要用循环解决，但是为了不循环，将下面的代码改成向量

将dw1，dw2 …改成一个向量dw表示，初始化dw为n_x行1列的0即可

向量化logistic回归

在上面的向量化中，简化了中间求dw的循环，这里，将for i=1 to m也简化掉，进行向量化
具体的做法是：
首先要求出z1，z2等，由z = wTx + b可知，应先将w，x和b向量化，x是输入的特征值个数，记为nx，而每一个样本都对应不同的输入，一共m个样本，所以有m列，所以x是R(nx,m)的矩阵，而w在上面已经知道是个R(nx,1)的矩阵，w*x得到的矩阵是R(1*m)的，所以b也是R(1*m)的，最后z = np.dot(w.t, X) + b
然后要计算a1，a2等，a是由一个激活函数对z求得的，当z已经求出，可以直接将向量放入激活函数求出向量a, 最后A = σ(Z)

向量化logistic回归的梯度输出

接下来就是计算dz，db，dw

最后，将向量化运用到logistic回归的梯度输出中去