http://write.blog.csdn.net/mdeditor#!postId=77852727
2.1 二分分类
二分类例子：
判断图片中是否有猫：
将图片RGB矩阵拉伸为向量：
使用上面的特征向量来判断图片中是否有猫。
2.2 logistic 回归
2.3 logistic 回归损失函数
这里给出的是交叉熵损失函数：
2.4 梯度下降法
为了最小化代价函数，找到 w,b 的最优解
对 代价函数对 w，b 求导，再根据学习率，更新 w 和 b ：
2.5 到 2.8 是非常基础的导数讲解，这里就不做笔记了。
2.9 logistic 回归中的梯度下降法
2.10 m 个样本的梯度下降
计算步骤为：
2.11 向量化
我们讲上述的计算步骤向量化：
向量化 和 循环的代码对比：
我们可以看到向量化比循环的代码快了300倍左右。
2.12 向量化的更多例子
回到我们梯度下降的步骤，将其改为向量化：
2.13 向量化 logistic 回归
2.14 向量化 logistic 回归的梯度输出
进一步向量化 logistic 回归：
进一步向量化 梯度下降：
2.15 Python 中的广播
例子：
计算事物的能量成分比例：
python 代码如下：
axis = 0，列相加；axis = 1，行相加。
其他例子：
总结：
2.16 关于 python / numpy 向量的说明
这里写图片描述
网友评论