深度学习 Deep Learning UFLDL 最新Tutorial 学习笔记 3：Vectorization

1 Vectorization 简述

Vectorization 翻译过来就是向量化，各简单的理解就是实现矩阵计算。

为什么MATLAB叫MATLAB？大概就是Matrix Lab，最根本的差别于其它通用语言的地方就是MATLAB能够用最直观的方式实现矩阵运算。MATLAB的变量都能够是矩阵。

通过Vectorization，我们能够将代码变得极其简洁。尽管简洁带来的问题就是其它人看你代码就须要研究一番了。但不论什么让事情变得simple的事情都是值得去做的。

关于Vectorization核心在于代码的实现，以下我们直接通过Linear Regression和Logistic Regression的练习来看看怎样Vectorization。

2 Linear Regression的Vectorization

基本的不同点就是计算cost function和gradient的方法。

先看看一般的通过循环计算的方法：

function [f,g] = linear_regression(theta, X,y)
  %
  % Arguments:
  %   theta - A vector containing the parameter values to optimize.
  %   X - The examples stored in a matrix.
  %       X(i,j) is the i'th coordinate of the j'th example.
  %   y - The target value for each example.  y(j) is the target for example j.
  %

  m=size(X,2);
  n=size(X,1);

  f=0;
  g=zeros(size(theta));

  %
  % TODO:  Compute the linear regression objective by looping over the examples in X.
  %        Store the objective function value in 'f'.
  %
  % TODO:  Compute the gradient of the objective with respect to theta by looping over
  %        the examples in X and adding up the gradient for each example.  Store the
  %        computed gradient in 'g'.

%%% YOUR CODE HERE %%%

% Step 1 : Compute f cost function
for i = 1:m
    f = f + (theta' * X(:,i) - y(i))^2;
end

f = 1/2*f;

% Step 2: Compute gradient 

for j = 1:n
    for i = 1:m
        g(j) = g(j) + X(j,i)*(theta' * X(:,i) - y(i));
    end

end

再来看Vectorization的方法：

function [f,g] = linear_regression_vec(theta, X,y)
  %
  % Arguments:
  %   theta - A vector containing the parameter values to optimize.
  %   X - The examples stored in a matrix.
  %       X(i,j) is the i'th coordinate of the j'th example.
  %   y - The target value for each example.  y(j) is the target for example j.
  %
  m=size(X,2);

  % initialize objective value and gradient.
  f = 0;
  g = zeros(size(theta));

  %
  % TODO:  Compute the linear regression objective function and gradient
  %        using vectorized code.  (It will be just a few lines of code!)
  %        Store the objective function value in 'f', and the gradient in 'g'.
  %
%%% YOUR CODE HERE %%%
  f = 1/2*sum((theta'*X - y).^2);

  g = X*(theta'*X - y)';

能够看到。这里仅仅须要一条语句就搞定了。

怎样思考Vectorization？

我认为最简单的方法就是看Vector的size。

比方f，我们最后要得到的是一个值。theta是nx1，X是nxm，y是1xm。我们须要theta和X相乘得到1xm好和y相减，那么肯定得把theta转置。theta‘xX 的size变化就1xnxnxm = 1xm，这就是我们想要的。

得到1xm之后，因为f的值，我们使用sum函数得到

对于gradient。也是一样的道理。

g为nx1，而theta’xX-y为1xm，为了和X相乘。必须转置为mx1，从而nxmxmx1 = nx1.

方法就是这样。

以下直接贴出logistic_regression_vec.m

function [f,g] = logistic_regression_vec(theta, X,y)
  %
  % Arguments:
  %   theta - A column vector containing the parameter values to optimize.
  %   X - The examples stored in a matrix.
  %       X(i,j) is the i'th coordinate of the j'th example.
  %   y - The label for each example.  y(j) is the j'th example's label.
  %
  m=size(X,2);

  % initialize objective value and gradient.
  f = 0;
  g = zeros(size(theta));

  %
  % TODO:  Compute the logistic regression objective function and gradient
  %        using vectorized code.  (It will be just a few lines of code!)
  %        Store the objective function value in 'f', and the gradient in 'g'.
  %
%%% YOUR CODE HERE %%%
f = -sum(y.*log(sigmoid(theta'*X)) + (1-y).*log(1 - sigmoid(theta'*X)));
g = X*(sigmoid(theta'*X) - y)';

得到的结果一样，但速度变快非常多

Optimization took 6.675841 seconds.
Training accuracy: 100.0%
Test accuracy: 100.0%

本节到此结束。

【说明：本文为原创文章，转载请注明出处 blog.csdn.net/songrotek 欢迎交流QQ:363523441】