吴恩达笔记——神经网络基础：二分分类
- 神经网络基础引言：
1）要构建一个神经网络，有些技巧是要注意的，例如：m个样本的训练集，通常使用for语句来遍历这m个样本，但在神经网络中并不这么使用，具体怎么使用？这就涉及到神经网络的构建技巧了。
神经网络基础这一部分，可以学习到神经网络构建过程中的一些技巧。
2）神经网络的计算过程通常包括两个部分：正向传播过程和反向传播过程
3）以逻辑回归（Logist回归）为例，以便更好地理解构建技巧以及正向反向传播过程。
- 二分分类——基础概念内容：
1）一个二分类问题，如下图所示，输入一张图片，输出识别该图的标签1或者0，从而判断是猫？不是猫？这里用 “y” 来表示输出的结果标签。
2）图片在计算机中的表示时，要保存三个独立的矩阵，分别对应RGB三个颜色通道。如果输入图片像素为64×64，则对应有三个64×64的矩阵。
为了方便解释，这里举例5×4大小的图片，将像素值提取出来，放进一个特征向量x中
表示图片的特征向量x的定义：
x=[255,231……255,134……255,134……]T
所以，如果是64×64的图像，特征向量的维度大小为64×64×3，即输入向量的维度n=n^x=12288
3）二分类问题的目标是训练出一个分类器，这个分类器可以使用图片特征向量x作为输入，预测输出的结果标签y，y=1?还是y=0?
4）定义后续内容中所需要的符号：
使用（x，y）表示一个单独的样本，x是一个nx维的特征向量，y的标签值为0或者1;
训练集由m个训练样本构成，m=m_train 表示训练样本的个数：
（x(1) ，y(1)）表示样本一的输入和输出
（x(2) ，y(2)）表示样本二的输入和输出
（x(3) ，y(3)）表示样本三的输入和输出
………………………………………………
（x(m)，y(m)）表示样本M的输入和输出
m_test 表示测试集的样本数；
大写的X表示训练集矩阵，m列，nx行，X∈R（nx × m）:
python脚本命令中：X.shape，用于输出矩阵的维度（nx,m）；
y标签的列表示Y：
python脚本命令中：Y.shape，用于输出矩阵的维度（1,m）；
5）下一节课则以Logist回归为例进行讲述二分类问题。