深度学习笔记（吴恩达网课学习笔记之贰）

本文链接：https://blog.csdn.net/zzzxxxkkk111/article/details/120918387

这篇博客探讨了在深度学习中向量化的重要性，特别是在梯度下降法中的应用。作者指出，向量化可以显著提高代码效率，尤其是在处理大数据集时。文章通过逻辑回归的例子解释了如何避免使用for循环，并介绍了Python中的Numpy库以及广播机制。此外，还分享了一些避免广播引起的意外行为和优化代码的技巧。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

逻辑回归的梯度下降法

使用计算图来计算逻辑回归的梯度下降算法有点大材小用了

一步步求导下去

也就是说应用此方法在逻辑回归上你需要编写两个for循环。第一个for循环是一个小循环遍历 m 个训练样本，第二个for循环是一个遍历所有特征的for循环
我想在先于深度学习的时代，也就是深度学习兴起之前，向量化是很棒的。可以使你有时候加速你的运算，但有时候也未必能够。但是在深度学习时代向量化，摆脱for循环已经变得相当重要。因为我们越来越多地训练非常大的数据集，因此你真的需要你的代码变得非常高效。所以在接下来的几个视频中，我们会谈到向量化，以及如何应用向量化而连一个for循环都不使用。所以学习了这些，我希望你有关于如何应用逻辑回归，或是用于逻辑回归的梯度下降，事情会变得更加清晰。当你进行编程练习，但在真正做编程练习之前让我们先谈谈向量化。然后你可以应用全部这些东西，应用一个梯度下降的迭代而不使用任何for循环