吴恩达深度学习1-Week4课后作业-深层神经网络

一、Deeplearning-assignment

在本周作业的编程中，主要通过构建两层神经网络和L层神经网络对catvnoncat.h5数据集进行学习和预测，并得到对test数据集的预测准确度以及判断一张图片是否为猫。

在前面的作业中，我们通过逻辑回归模型对该数据集进行了学习和预测，准确度为70%（可以翻看之前的博客和参阅相关代码结果），今天主要构建深层神经网络对数据集进行学习。

由上图可以看出，输入X中的每一列是一个（64 * 64 * 3，1）的列向量，即（12288，1）。

2层神经网络结构图：

从图中我们可以看到，首先喂入一个X，通过线性运算得到Z1，接着通过非线性激活函数RELU得到A1，并作为输入赋给第二层，同样通过线性运算得到Z2，最后通过sigmoid函数得到预测值A2，完成前向传播过程。

L层神经网络结构图：

与2层神经网络类似，L层神经网络的前向传播是进行L - 1次（线性运算+RELU），最后通过sigmoid得到预测值。

下面看看代码。

---

二、相关算法代码

import time
import numpy as np
import h5py
import matplotlib.pyplot as plt
import scipy
from PIL import Image
from scipy import ndimage
from dnn_app_utils_v2 import *

plt.rcParams['figure.figsize'] = (5.0, 4.0)  # set default size of plots
plt.rcParams['image.interpolation'] = 'nearest'
plt.rcParams['image.cmap'] = 'gray'

np.random.seed(1)

train_x_orig, train_y, test_x_orig, test_y, classes = load_data()
# index = 7
# plt.imshow(train_x_orig[index])
# plt.show()
# print("y = " + str(train_y[0, index]) + ". It's a " +
#       classes[train_y[0, index]].decode("utf-8") + " picture.")

# m_train = train_x_orig.shape[0]
num_px = train_x_orig.shape[1]
# m_test = test_x_orig.shape[0]

# print("Number of training examples: " + str(m_train))
# print("Number of testing examples: " + str(m_test))
# print("Each image is of size: (" + str(num_px) + ", " + str(num_px) + ", 3)")
# print("train_x_orig shape: " + str(train_x_orig.shape))
# print("train_y