梯度下降法：
埃尔法为学习率，是人为定义的，w:为更新后的w。b:为更新后的b
Logistic回归的梯度下降法
梯度下降法代码逻辑如下，但该代码有缺点，因为这里面有两个for循环，而for循环会使神经网络效率变低。所以要想办法避免FOR循环。向量化就是一个很好的方法。
对于
向量化计算u的方法： 首先输入v 
，然后计算u
类似的，
可以实现对v中元素的log运算。
实现v中元素的绝对值运算。
可去掉v中所有的负数元素。
是v^2。
上图为Logistic回归导数的程序。应用向量化后的程序如下：该程序只替代了第二个for循环。
利用向量化实现Logistic回归的正向传播：
上图中圈出来的两部分，第一部分实现了z的计算，第二部分实现了A的计算。
下面给出Logistic回归的整体应用代码：
上图中的右部分，内核没有用FOR循环，最上边的那个循环是梯度迭代的次数，下面是w、b的更新后的值。程序的核心思想是把所有的值都写成矩阵的形式。如w指的不是某一个w值，而是含有全体w的矩阵；表达式也不是对某一个值进行改变，而是对整个矩阵进行改变。
标签：上图,梯度,矩阵,下降,循环,Logistic,量化 来源： https://www.cnblogs.com/lau1997/p/12361105.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。