DevDino 🦖

1. 问题背景：NumPy 的灵活性是一把双刃剑

• 优点：Python + NumPy 提供了强大的广播机制（broadcasting），使得代码简洁、表达力强。
• 缺点：过度灵活可能导致隐蔽的 bug，尤其在向量维度处理上容易出错。

一、广播机制的作用

　　广播（Broadcasting）是 NumPy 中一种强大的机制，它允许对不同形状的数组进行算术运算，而无需显式地编写 for 循环。这不仅能显著提升代码运行速度，还能使代码更加简洁、易读。

一、背景回顾

　　在上一节中，我们已经学会了如何通过向量化一次性计算整个训练集上的预测值：

🎯 核心目标

　　在不使用任何显式 for​ 循环的前提下，一次性对整个训练集（共 $M$ 个样本）进行前向传播（forward propagation）和激活值计算，从而大幅提升计算效率。这是深度学习中向量化（vectorization）的核心思想。

一、核心思想：避免显式 for 循环

黄金法则（Rule of Thumb） ：
在编写神经网络或回归模型时，尽可能避免使用显式的 for 循环。
虽然有时无法完全消除循环，但只要能用 NumPy 等库的内置向量化函数替代，代码速度通常会显著提升。