一、向量化技术在进行神经网络计算时的优势
向量化是一种优化技术，通过使用数组操作代替for循环，可以大大提高代码的性能和效率。在深度学习中尤其明显，可以提高计算效率、简化代码、优化内存使用。
二、如何确保计算时维度是正确的？
（1）先回顾一下神经网络的计算
用简单的逻辑回归来举例，用圆圈表示神经网络的计算单元，逻辑回归的计算有两个步骤：
- 首先你按步骤计算出
- 然后通过激活函数g计算出a
一个神经网络只是这样子重复做了好多次计算。
以一个两层的神经网络为例：
它的第一层计算公式如下：
（2）权重矩阵的维度
对于权重矩阵
的维度而言：
- 行维度是神经网络第
层节点的个数
； - 列维度是前一层
节点的个数
； 
举例说明：对于第一层权重矩阵来说，它的前一层是输出层，所以输出层节点的个数是特征的数量。如下图
（3）输入矩阵的维度
如果输入的是一个样本，那么还不能叫做输入矩阵，还只是输入列向量
如果输入的是训练集（
个样本），此时就能称为输入矩阵。
对于输入矩阵
也写作
而言：
- 行维度是特征的数量；
- 列维度是样本的数量；
（4）各层输出矩阵的维度
如果只有一个样本，那么各层的输出也只是一个列向量
如果有个样本参与训练，那么此时就能成为输出矩阵
- 行的维度是第层节点的个数；
- 列的维度是训练样本的个数；
（5）偏置列向量的维度
偏置是一个列向量，它在参与计算的时候会通过python的广播机制，变成一个矩阵。
对于第层偏置列向量
而言，它的维度是
