问题描述:
输入一张图片,要求输出 0 或者 1,对应描述“图片中无猫”或者“图片中有猫”。
图片是 RGB 格式的,每个颜色有一个“图片像素”*“图片像素”维度的矩阵。把图片的 R、G、
B 三个颜色的矩阵输入到一个列向量中,得到列向量 x。
x=(R
1,1
; R
1,2
; …; R
1,pixel
; R21; …; R
pixel,pixel
; G
1,1
; …; G
pixel,pixel
; B
1,1
; …; B
pixel,pixel
)
y=0 或 y=1
这张图片样本就表示为(x, y),x∈R
pixel*pixel*3
。
可以有 m 个样本,(x1,y1), (x2,y2), …, (xm,ym)。
使用矩阵 X 用来储存输入向量:
X = (x1, x2, …, xm)。这里,X 的维度是(pixel*pixel*3,m)。
在 python 中,可以使用 X.shape 命令,获取矩阵 X 的维度。X.shape = (pixel*pixel*3,m)。
那么输出怎么储存呢?同样使用列向量的形式储存,将输入储存在 Y 矩阵中。
Y = (y1, y2, …, ym)。Y 的维度是(1,m)。
在 python 中,可以使用 Y.shape 命令,获取矩阵 Y 的维度。Y.shape = (1,m)。
X 和 Y 就是样本集。
符号说明:
m:样本数量
nx:pixel*pixel*3
输入一张新图片 xt,当使用二分类去判断图中是否有猫的时候,我们希望输出 y 能告诉我
们,图中有猫的概率是多少。即 P(y=1|xt),当输入为 xt 时,y=1 的概率 P 是多少。使用表
示二分法估计的输出,即 =P(y=1|xt)。
P 的数值需要落在(0, 1)区间上,以便更好地表示概率。
函数
可以把任意 z 映射到(0, 1)范围。当 z 值趋于时,
趋于 1;当 z=0 时,
=0.5;当 z 值趋于时,
趋于 0。
拥有表征概率的性质。
对样本集进行训练的目的其实是找到 w
pixel*pixel*3,1
和 b∈R,使得:
(w
T
x+b)能在每一个输入样本的输入下,产生与输入样本对应的输出 y。
加入逻辑回归后,其实训练就是在完成以下任务:
找到合适的 w
pixel*pixel*3,1
和 b,使(w
T
x+b)=y。
而不是 w
T
x+b=y。
评论0
最新资源