葱姜蛏子python中的颜⾊分别代表什么线_python中的颜⾊表⽰什么意
315消费者维权思
英语阅读这周我们将学习神经⽹络的基础知识，其中需要注意的是，当实现⼀个神经⽹络的时候，我们需要知道⼀些⾮常重要的技术和技巧。例如有⼀个包含个样本的训练集，你很可能习惯于⽤⼀个for循环来遍历训练集中的每个样本，但是当实现⼀个神经⽹络的时候，我们通常不直接使⽤for循环来遍历整个训练集，所以在这周的课程中你将学会如何处理训练集。
另外在神经⽹络的计算中，通常先有⼀个叫做前向暂停(forward pau)或叫做前向传播(foward propagation)的步骤，接着有⼀个叫做反向暂停(backward pau) 或叫做反向传播(backward propagation)的步骤。所以这周我也会向你介绍为什么神经⽹络的训练过程可以分为前向传播和反向传播两个独⽴的部分。
在课程中我将使⽤逻辑回归(logistic regression)来传达这些想法，以使⼤家能够更加容易地理解这些概念。即使你之前了解过逻辑回归，我认为这⾥还是有些新的、有趣的东西等着你去发现和了解，所以现在开始进⼊正题。
逻辑回归是⼀个⽤于⼆分类(binary classification)的算法。⾸先我们从⼀个问题开始说起，这⾥有⼀个⼆
无所不在分类问题的例⼦，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64x64像素，那么你就有三个规模为64x64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5x4 ⽽不是64x64，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 ，我们需要像下⾯这样定义⼀个特征向量 来表⽰这张图⽚，我们把所有的像素都取出来，例如255、231等等，直到取完所有的红⾊像素，接着最后是255、134、…、255、134等等，直到得到⼀个特征向量，把图⽚中所有的红、绿、蓝像素值都列出来。如果图⽚的⼤⼩为
春天美景图片
64x64像素，那么向量 的总维度，将是64乘以64乘以3，这是三个像素矩阵中像素的总量。在这个例⼦中结果为12,288。现在我们⽤，来表⽰输⼊特征向量的维度，有时候为了简洁，我会直接⽤⼩写的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：
最后为了能把训练集表⽰得更紧凑⼀点，我们会定义⼀个矩阵⽤⼤写的表⽰，它由输⼊向量、等组成，如下图放在矩阵的列中，所以现在我们把作为第⼀列放在矩阵中，作为第⼆列，放到第列，然后
助学金申请书500字我们就得到了训练集矩阵。所以这个矩阵有列，是训练集的样本数量，然后这个矩阵的⾼度记为，注意有时候可能因为其他某些原因，矩阵会由训练样本按照⾏堆叠起来⽽不是列，如下图所⽰：的转置直到的转置，但是在实现神经⽹络的时候，使⽤左边的这种形式，会让整个实现的过程变得更加简单： 现在来简单温习⼀下：是⼀个规模为乘以的矩阵，当你⽤Python实现的时候，你会看到X.shape，这是⼀条Python命令，⽤于显⽰矩阵的规模，即X.shape等于，是⼀个规模为乘以的矩阵。所以综上所述，这就是如何将训练样本(输⼊向量的集合)表⽰为⼀个矩阵。
杏鲍菇的吃法那么输出标签呢？同样的道理，为了能更加容易地实现⼀个神经⽹络，将标签放在列中将会使得后续计算⾮常⽅便，所以我们定义⼤写的等于，所以在这⾥是⼀个规模为1乘以的矩阵，同样地使⽤Python将表⽰为Y.shape等于，表⽰这是⼀个规模为1乘以的矩阵。
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。如果有时候你忘了这些符号的意思，⽐如什么是 ，或者什么是 ，或者忘了其他⼀些东西，我们也会在课程的⽹站上放上符号说明，然后你可以快速地查阅每个具体的符号代表什么意思，好了，我们接着到下⼀个视频，在下个视频中，我们将以逻辑回归作为开始。 备注：附录⾥也写了符号说明。
五行操健身操
