vault backup: 2023-10-23 20:39:28

.obsidian/appearance.json

@@ -2,7 +2,7 @@
   "accentColor": "",
   "cssTheme": "Minimal",
   "monospaceFontFamily": "Maple Mono SC NF",
-  "theme": "moonstone",
+  "theme": "obsidian",
   "interfaceFontFamily": "霞鹜文楷",
   "textFontFamily": "霞鹜文楷等宽",
   "translucency": false

Study/DL/吴恩达深度学习课程/Lesson 1.md

@@ -16,3 +16,10 @@ b &= b - \eta \cdot db
 \end{align}$$
 正向传递：计算网络输出。
 反向传递：更新模型参数。
+sigmoid函数：消除线性。
+> 线性激活函数: $a = z$
+> 如果我们使用线性激活函数，无论我们经过多少层网络迭代，都相当于是对输入进行线性变换。
+
+损失函数：计算模型预测结果的精度，反向传播的目的就是使得。
+## Vectorization
+向量化相较于显式循环更高效，能够更好的利用系统的并行化计算。