在第01課深度學習概述中，我們介紹了神經網絡的基本結構，介紹了神經網絡的基本單元組成是神經元。如何構建神經網絡，如何訓練、優化神經網絡，這其中包含了許多數學原理，需要具備一些基本知識。本課，我將重點羅列并詳細介紹神經網絡必備的基礎知識。掌握這些基礎知識，你就可以很輕松地為接下來的課程做準備。

由邏輯回歸出發

邏輯回歸（Logistic Regression）是機器學習一個最基本也是最常用的算法模型。與線性回歸不同的是，邏輯回歸主要用于對樣本進行分類。因此，邏輯回歸的輸出是離散值。對于二分類問題，通常我們令正類輸出為 1，負類輸出為 0。例如一個心臟病預測的問題：根據患者的年齡、血壓、體重等信息，來預測患者是否會有心臟病，這就是典型的邏輯回歸問題。

二元分類，一般使用 $\hat y=P(y|x)$ 來表示預測輸出為 1 的概率，則 $1-P(y|x)$ 表示預測輸出為 0 的概率。概率值取值范圍在 [0, 1] 之間。通常，$P(y|x)\geq0.5$，則預測為正類1；若$P(y|x)<0.5$，則預測為負類0。

• $P(y|x)\geq0.5$：正類

• $P(y|x)<0.5$：負類

根據線性感知機的思想，引入參數 w 和 b，我們可以寫出邏輯回歸的線性部分為：

$$z=wx+b$$

其中，x 的維度是 $(n_x, m)$，w 的維度是 $(1, n_x)$，b 是一個常量。$n_x$ 表示輸入 x 的特征個數，例如一張圖片所有的像素點，m 為訓練樣本個數，z 是線性輸出。

但

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的第05课：神经网络基础知识的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。