学习吴恩达的深度学习视频，记录的笔记，方便回顾。
每天学习一点，加油！
二分类：
通过训练来预测该图中是否有猫。
一般一张彩色图像分为RGB三通道，假设图像图幅大小64 x 64，每个像素用像素值表示。用向量x表示该图片的特征向量，则x的维度位64 x 64 x 3。用y作为标签，1表示有猫， 0者无猫。
假设有m个训练样本， 则可以表示为{(x1, y1), (x2, y2), …,(xm, ym)};
logistic回归：
对于二分类问题，希望通过给定的x向量，得到p(y=1|x)，对于上述例子而言，即给定这张图，希望得到该图中有猫的概率。
logistic回归参数:
1.w，权重，维度与向量x相等
2.b,偏置。
模型:
，
其中w^T 为w的转置。因为希望得到的是该图中有猫的概率，而概率的值应该在0~1之间，所以对(w^T x+b)求出的值映射到0~1之间。这里σ函数: sigmod函数。
sigmod函数：
其函数图形为：
该函数中，当自变量z趋向于正无穷时，输出->1。
当自变量z趋向于负无穷时，输出->0。
有的参考资料将b写入w向量中,即w0 = b。
logistic回归损失函数:
对于单一样本(x, y)
一般情况下，损失函数定义为:
但是这个函数往往是非凸函数。因而logistic采用的损失函数为:
其中y^为预测的概率，范围0~1。
为什么上述函数可以作为损失函数呢？
分析：
当y=1时，Lost(y^,y)=-(logy^)，损失函数越小越好，因而y^越大越好，趋向于1.
当y=0时，Lost(y^,y)=-(log(1-y^))，同样，要想损失函数小，则y^越小越好，趋向于0。
成本函数：
当样本数大于1时，要计算所有样本的损失和，即成本函数。
定义为:
明天继续后续视频以及笔记，加油！
