1.二元分类
一些基本符号含义：
输入一幅以特征向量x表示的图像，预测对应的输出的y（0 or 1）
单个样本（x,y）
n（x）特征向量，y训练结果
m表示训练集样本总数，{(x(1),y(1)),(x(2),y(2))...,((x(m),y(m))}
M=M(train) 训练集
m(test)测试集样本总数
X矩阵 n(x)*m维的矩阵
(Python)X.sharp 得到矩阵形状的命令输出是n(x),m
输出标签Y =[y(1) y(2)...y(m)] （1*m大小的矩阵）
2.逻辑回归
3逻辑回归损失函数
在深度学习中，逻辑回归损失函数通常被称为二元交叉熵损失函数（binary cross-entropy loss function）。对于二分类问题，其数学表达式如下：
L(y, f(x)) = - (y * log(f(x)) + (1 - y) * log(1 - f(x)))
其中，L表示损失函数，y表示真实标签（0或1），f(x)表示模型的预测值。这个损失函数的目标是最小化预测值与真实标签之间的差异，以便训练模型能够更好地进行二元分类任务。
损失函数反映的是参数成本
4.梯度下降
J(w,b)损失函数是凹函数，无论在哪一点初始化，应该达到同一点或大致相同的点。
以初始点开始，网最陡的方向走，最后收敛到全局最优值或接近全局最优值。
梯度下降法会朝着全局最小值的方向移动，让代价函数J逐渐减少
5.计算图
从左往右可以计算J
标签：02,函数,训练,标签,矩阵,损失,笔记,深度,二元 From： https://www.cnblogs.com/jiudai/p/17813274.html