- Vectorized Logistic Regression
- 和上次的作业基本一致， 但是要注意。 costFunction J 和 grad 梯度中对 theta(1) 都是不进行 regulation的， 上次错了， 这次又错了
- sigmoid 的函数， 接受的输入只是一个量 z， 但是它能力和强大， 即使接受的是一个矩阵或者数组， 也都能对其每一个 element 都能处理
- One-vs-all classifier training
- 这个都有些忘了， 想了好久才发现是上上周的内容，听一遍 video， 做一遍题，还是记不久. Do the best you can!
- 回忆良久，想起来了大体的框架 --- 其实上一道题我都是闷着头做， 即使闷着头做我也能 AC， 这就是 coursera的缺点， 讲得东西太浅了， 实验内容也太简单。 矩阵X是 5000×400的，其中每一行代表一个训练样例---每一列对应于 20×20的图片的像素点的值，相同的列代表20×20图片的同一个像素。而 theta 代表对每一个像素点加权， 归纳偏置为：通过一个图片上的 400 个像素点的线性组合(
)就能确定这张图片表示的数字是多少。 - 参数 y， 即目标数不再是 1，0（回忆以前的实验， 好像 y 都是0和1）， 而是从1-10 的 label。 为了继续使用以前的方法来做， 我们现在需要对 y 进行一些处理。 首先， 我们为了分离开第 K 个 class， 假如 K =2，我们令y=2，y' =1, y!=2的,y'=0. 我们希望能够得到一组 theta, 这组 theta 对输入（400个像素点的值）进行向量乘法， 若是得出的结果为0， 那么我们得出结论， 这个图片显示的不是 2（可能是1， 3， 5...）， 若是1， 那么我们知道， 输入的图片是2. 可以看出， 每进行一个 class 的分类， 我们就会重新对y'进行调整
- 得到 all_theta 后， 进行 prediction. all_theta 乘(矩阵') 得到矩阵 Y，矩阵 Y 的第K行是把一个实例化为 class K 的概率。 我们选取每一列的最大的那个元素作为最可能的分类
- 在做神经网络的时候， 忘了加新的行和列， 又浪费了很多的时间。并且， 单纯用脑子来想神经网络计算的整个过程， 真是难受。 昨天看到 IQ 170 的美国男孩， 思考都在四维中进行， 而我想两维都很困难。 刹那间， 我觉得不应该再看视频了, 多读书， 多回忆， 多思考。
- 当我在提交程序出现错误后， 我总会很生气 --- 应该慢慢改变这种想法。 我依然会想到多年前同学对我的评价， 太雷厉风行了。 我不太擅长绕弯， 直来直去总是碰壁， 慢慢来， 这不到一年，我已经改变了很多。
- costFunction有一个参数 y == c， 感觉这是专门为逻辑回归设计的， 它能够把多个 y 值转化到 0，1（y ==c , y !=c）， 我本来用 loop 把转化都写好了， 学习使用 fmincg 的时候才发现我做了无用功。 fmincg 在处理大量的数据的时候非常有效。 仅需添加 Initial_theta， 和 costFunction( X, y, lambda)， options 即可，梯度它自己会算
- 神经网络， Theta * X', 得到的是隐藏层的点的列， 第二次再乘的时候， Theta2 * hidden,就不需要转置了。 Theta是一个 row×column 的矩阵， 其 theta(i,j) 表示的第 k+1 层的 i 和第 k 层的 j， 这个有些和逻辑不大一样， 但是方便计算。 另外需要 sigmoid 函数在每一层都要计算一次， 并且， 新加入的节点不参与计算。
)就能确定这张图片表示的数字是多少。