这里我对我学到的神经网络知识中,常见的符号做一下记录和总结,方便自己在后面学习中复习。下图二分类识别图像识别猫为例。为了保存一张图片,需要三个矩阵,它们分别对应图片中的红、绿、蓝三种颜色通道,如果图片大小为64x64像素,那么就有三个规模为64x64的矩阵,分别对应图片中红、绿、蓝三种像素的强度值。
为了把这些像素值放到一个特征向量中,我们需要把这些像素值提取出来,然后放入一个特征向量。我们用,来表示输入特征向量的维度。有时候为了简洁,我会直接用小写的来表示输入特征向量的维度。所以在二分类问题中,我们的目标就是习得一个分类器,它以图片的特征向量作为输入,然后预测输出结果为1还是0,预测图片中是否有猫。
|-----------------------------------------------------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 符号 | 解释 |
| | 表示样本数目 |
| | 特征的维度 |
| | 特征向量,一个维特征向量,他是神经网络的输入数据, |
| | 实际值,真实图片中到底是不是猫,取值为 |
| | 预测值,表示神经网络的输出结果,二分类任务中取值为 |
| | 表示第组数据,可能是训练数据,也可能是测试数据,此处默认为训练数据 |
| | 表示所有的训练数据集的输入值,放在一个的矩阵中 |
| | 表示所有训练数据集的输出值,放在一个的矩阵中 |
| | 测试集的样本数 |
| | 训练集的样本数 |