向量化 Logistic 回归的梯度输出 (Vectorizing Logistic Regression’s Gradient Computation)
注:本节中大写字母代表向量,小写字母代表元素
如何向量化计算的同时,对整个训练集预测结果
a ,这是我们之前已经讨论过的内容。在本次视频中我们将学习如何向量化地计算
m 个训练数据的梯度,本次视频的重点是如何同时计算
m 个数据的梯度,并且实现一个非常高效的逻辑回归算法(Logistic Regression)。
之前我们在讲梯度计算的时候,列举过几个例子,
dz(1)=a(1)−y(1) ,
dz(2)=a(2)−y(2) ……等等一系列类似公式。现在,对
m 个训练数据做同样的运算,我们可以定义一个新的变量
dZ=[dz(1),dz(2),⋯,dz(m)] ,所有的
dz 变量横向排列,因此,
dZ 是一个
1∗m 的矩阵,或者说,一个
m 维行向量。在之前的幻灯片中,我们已经知道如何计算
A ,即
[a(1),a(2),⋯,a(m)],我们需要找到这样的一个行向量
Y=[y(1),y(2),⋯,y(m)] ,由此,我们可以这样计算
dZ=A−Y=[a(1)−y(1),a(2)−y(2),⋯,a(m)−y(m)] ,不难发现第一个元素就是
dz(1) ,第二个元素就是
dz(2) ……所以我们现在仅需一行代码,就可以同时完成这所有的计算。
在之前的实现中,我们已经去掉了一个for循环,但我们仍有一个遍历训练集的循环,如下所示:
dw=0
dw+=x(1)∗dz(1)
dw+=x(2)∗dz(2)
⋮
dw+=x(m)∗dz(m)
dw=mdw
db=0
db+=dz(1)
db+=dz(2)
⋮
db+=dz(m)
db+=mdb
上述(伪)代码就是我们在之前实现中做的,我们已经去掉了一个for循环,但用上述方法计算
dw 仍然需要一个循环遍历训练集,我们现在要做的就是将其向量化!
首先我们来看
db ,不难发现
db=m1∑i=1mdz(i) , 之前的讲解中,我们知道所有的
dz(i) 已经组成一个行向量
dZ 了,所以在Python中,我们很容易地想到
db=m1∗np.sum(dZ) ;接下来看
dw ,我们先写出它的公式
dw=m1∗X∗dzT 其中,
X 是一个行向量。因此展开后
dw=m1∗(x(1)dz(1)+x(2)dz(2)+⋯+x(m)dz(m)) 。因此我们可以仅用两行代码进行计算:
db=m1∗np.sum(dZ) ,
dw=m1∗X∗dzT 。这样,我们就避免了在训练集上使用for循环。
现在,让我们回顾一下,看看我们之前怎么实现的逻辑回归,可以发现,没有向量化是非常低效的,如下图所示代码:
我们的目标是不使用for循环,而是向量,我们可以这么做:
Z=wTX+b=np.dot(w.T,x)+b
A=σ(Z)
dZ=A−Y
dw=m1∗X∗dzT
db=m1∗np.sum(dZ)
w:=w−α∗dw
b:=b−α∗db
现在我们利用前五个公式完成了前向和后向传播,也实现了对所有训练样本进行预测和求导,再利用后两个公式,梯度下降更新参数。我们的目的是不使用for循环,所以我们就通过一次迭代实现一次梯度下降,但如果你希望多次迭代进行梯度下降,那么仍然需要for循环,放在最外层。不过我们还是觉得一次迭代就进行一次梯度下降,避免使用任何循环比较舒服一些。
最后,我们得到了一个高度向量化的、非常高效的逻辑回归的梯度下降算法,我们将在下次视频中讨论Python中的Broadcasting技术。
课程PPT