整个网络各层的尺寸和参数如下表格所示
CONV1的参数： 只跟滤波器有关，553个通道，看（28，28，6）知道有6个filters，最后还得加上偏置的参数(1,1,1,6)，最终的parameters为 5×5×3×6+6 = 456
CONV2的参数: 滤波器5*5， 5×5 × 6通道 × 16filters + 6偏置参数（利用python广播）=2416
8 Matching Annotations
- Jan 2021
-
-
- Dec 2020
-
-
正向传播
输入是 Z = W × a[l-1] + b
-
- Nov 2020
-
-
db[2]=1mnp.sum(dZ[2],axis=1,keepdim=True)
np.sum是Python的numpy命令，用来对矩阵的一个维度求和，水平相加求和，而加上开关keepdims，就是防止python直接输出古怪的秩为1的数组，keepdim=True，确保Python输出的是矩阵，对于db^[2] 这个向量输出的维度是（n^[2],1），而不是（n^[2],）
-
隐藏层对应的权重W[1]W[1]W^{[1]}和常数项b[1]b[1]b^{[1]}，W[1]W[1]W^{[1]}
这里的W已经是四个转置后的w堆叠起来的矩阵
-
-
blog.csdn.net blog.csdn.net
-
逻辑回归使用线性模型，引入参数w和b，
逻辑回归的线性预测输出可以写成：y^ = wTx + b
引入Sigmoid函数，让输出限定在[0,1]之间，通常当作激活函数使用。
因为参数 w 和 b都是位置参数，定义一个 cost function,当取值最小的时候，得到对应的w和b。
利用梯度下降，可以计算出合适的w和b，从而最小化 cost function，梯度下降具体看笔记
-
此特征向量x是列向量，维度一般记为nxnxn_x
1个图片的尺寸是（64,64,3），转化后的维度是（12288,1）
如果是m张图片，维度为（12288,m），记为（n,m） 前者代表每个样本的特征个数， 后者代表样本的个数。
-
-
blog.csdn.net blog.csdn.net
-
b
这里的b是一个实数，或者说一个 1 × 1 的矩阵，但是把b加到向量上的时候，python自动把这个b扩展为一个1 × m的行向量。
这个在python中叫做 广播
-
整个训练样本构成的输入矩阵X的维度是（nxnxn_x，m），权重矩阵w的维度是（nxnxn_x，1），b是一个常数值，而整个训练样本构成的输出矩阵Y的维度为（1，m）。
训练样本的输入X的维度是（nx,m）
前者代表： 每个样本的特征个数
后者代表： 样本的个数
权重矩阵w的维度是（nx，1）
b是常数值
输出维度为(1,m)
-