吴恩达深度学习 —— 2.12 向量化的更多例子

当你编写新的网络时，或者做的只是回归，一定要尽量避免for循环，能不用就不用。如果可以使用一个内置函数或者找出其它办法去计算循环，通常会比直接用for循环更快，来看另一个例子。

如果想计算一个向量u，作为一个矩阵A和另一个向量v的乘积。矩阵乘法的定义就是$u_i=\sum_jA_{ij}*v_j$ui​=∑j​Aij​∗vj​，令$u=np.zeros(n,1)$u=np.zeros(n,1)，然后对i循环，对j循环，计算出u的值，这是一个非向量化的过程。

向量化的实现就是说$u=np.dot(A,v)$u=np.dot(A,v)，类似的例子还有很多。我们看看怎么将向量化表示应用到逻辑回归中。

上图是逻辑回归导数的程序，有两个for循环，通过向量化的表示，可以去掉其中的第二个for循环。具体如下图所示。