对于非向量化,我们要求得z的值,必须用到for循环,但是当数据量非常庞大的时候,for循环所用的时间会比较多,这个时候可以使用向量运算来提高速度
用python的函数np.dot实现两个向量/矩阵 相乘.
SIMD:为了加快深度学习神经网络运算速度，可以使用比CPU运算能力更强大的GPU。事实上，GPU和CPU都有并行指令（parallelization instructions），称为Single Instruction Multiple Data（SIMD）。SIMD是单指令多数据流，能够复制多个操作数，并把它们打包在大型寄存器的一组指令集。SIMD能够大大提高程序运行速度，例如python的numpy库中的内建函数（built-in function）就是使用了SIMD指令。相比而言，GPU的SIMD要比CPU更强大一些。
在举一个例子:
求u关于对于v的每一个元素进行乘方操作,运用向量运算结果如上右图所示.
Vectorizing Logistic Regression:
Broadcasting in Python:
Python中矩阵的运算用到了广播(broadcast)的机制.
广播例子:
要求的四个食物中每一项热量所占的百分比,先求出每一项的热量总和
A.sum(axis=0)表示每一个向量从上至下相加,如果axis=1则表示从左到右相加
如果对矩阵的维度不确定,可以采用reshape命令进行重塑.
General Princial In Broadcasting:
'
下面用一些例子来对此进行说明,该原则非常简单,就不一一说明:
接下来我们将总结一些python的小技巧，避免不必要的code bug。
python中，如果我们用下列语句来定义一个向量：
a = np.random.randn(5)- 1
这条语句生成的a的维度是（5，）。它既不是行向量也不是列向量，我们把a叫做rank 1 array(秩为1的矩阵)。这种定义会带来一些问题。例如我们对a进行转置，还是会得到a本身。所以，如果我们要定义（5，1）的列向量或者（1，5）的行向量，最好使用下来标准语句，避免使用rank 1 array。
a = np.random.randn(5,1)
b = np.random.randn(1,5)- 1
- 2
除此之外，我们还可以使用assert语句对向量或数组的维度进行判断，例如：
assert(a.shape == (5,1))- 1
assert会对内嵌语句进行判断，即判断a的维度是不是（5，1）的。如果不是，则程序在此处停止。使用assert语句也是一种很好的习惯，能够帮助我们及时检查、发现语句是否正确。
另外，还可以使用reshape函数对数组设定所需的维度：a.reshape((5,1))
Juypter notebook的使用:
juypter notebook又称IPython notebook,是一个交互式的笔记本，支持运行超过40种编程语言。本课程所有的编程练习题都将在Jupyter notebook上进行，使用的语言是python
安装过程可参考:https://jupyter.readthedocs.io/en/latest/install.html 官方的文档
Explanation of logistic regression cost function(optional)
之前我们的到了Loss Funtion,现在对其进行一个解释
y hat 等于σ(w T x+b) ,y hat 可以看做是预测结果为1的一个概率,即P(y=1|x),所以我们能得到:
因为log函数为单调函数,我们可以对其进行一个log的处理得到:
我们希望上述概率P(y|x)越大越好，对上式加上负号，则转化成了单个样本的Loss function，越小越好，这样就得到了我们之前介绍的逻辑回归的Loss function形式。对于训练m个样本,它们是符合独立同分布的,所以我们可以对p(y(i)|x(i))进行乘积,并要所得到的结果最大(即预测结果与输出越接近),将乘积log化后并将负号提出来以后,得到Cost Function,则Cost Function越小越好
