深度学习-吴恩达第一课第四周课程作业

在前面两节课的基础上，这次作业是训练一个N层神经网络，来判断一张图片是否有猫，实现过程其实和第三周很相似，因为层数不确定，所以在向前传播和反向传播的时候会用到for循环，代码相对而言反而更精简了。贴出的代码可能和老师给的模板不一样，我没有看到老师的原版课程作业，也是在网上找的资料自己写的，但是网上的代码大部分函数封装度高，但初学为了方便，也好理解，我没有采用那种方法。

简单介绍一下模型，N层，传入每层的单元数，包括最后的输出层，这里我们是一个二分类问题，最后一层单元数就是1，隐藏层激活函数使用relu，最后输出层使用sigmoid

可能有人不好理解这个N层，和传入参数的问题，举个栗子就很好理解了。比如我们Layer维度传入的list是[4，3，2，1]，这其实是一个三层神经网络，因为4是第0层，也就是输入层的特征值有4个，然后两个隐藏层，单元数分别为3，2，最后输出层

但在代码中会通过这个list来计算我们模型的层数，使用 len(layer_list)来计算，得到的结果是4，这就把第一层也算进去了，但这里得到的L=4其实不是真正意义上的我们模型的层数，这里不给它减1，而是保留4的值是因为，即使他是4，但list存储元素是从0开始的，也就是list[0]=4,list[1]=3,list[2]=2，这样子，而我们无论在计算w还是b的时候，都是（w1，b1），（w2，b2）直到3，可以发现数标是正好吻合的。

 

下面贴代码了：

 

1.导库

import numpy as np
import matplotlib.pyplot as plt
import h5py

 

2.参数初始化

#参数初始化，将所有w/b都封装在一个dict中
def initialize_parameters(layer_dims):
    parameters = {}
    L = len(layer_dims)
    
    for i in range(1,L):
        parameters['w'+ str(i)] = np.random.randn(layer_dims[i],layer_dims[i-1])*0.01
        parameters['b'+ str(i)] = np.zeros((layer_dims[i],1))
        
        assert(parameters['w'+ str(i)]).shape == (layer_dims[i],layer_dims[i-1])
        assert(parameters['b'+ str(i)]).shape == (layer_dim