Neural networks and deeplearning——错题简单分析

最新推荐文章于 2022-01-24 10:07:29 发布

狂小虎

最新推荐文章于 2022-01-24 10:07:29 发布

阅读量328

点赞数 1

分类专栏： Deep Learning 文章标签：交流人工智能 deeplearning 深度学习

本文为博主原创文章，未经博主“狂小虎”本人允许不得转载。

本文链接：https://blog.csdn.net/Davidietop/article/details/104410498

版权

Deep Learning 专栏收录该内容

41 篇文章 3 订阅

订阅专栏

这里给了官网的简单分析，时间有限我贴图说道。

Week1

在这里插入图片描述

Week2

在这里插入图片描述

这题：Convert the entries of a into 0 (if activation <= 0.5) or 1 (if activation > 0.5), stores the predictions in a vector Y_prediction. If you wish, you can use an if/else statement in a for loop (though there is also a way to vectorize this). 我的答案如下：

    for i in range(A.shape[1]):
        
        # Convert probabilities A[0,i] to actual predictions p[0,i]
        ### START CODE HERE ### (≈ 4 lines of code)
        if A[0,i] > 0.5:
            Y_prediction[0,i] = 1
        else: 
            Y_prediction[0,i] = 0
        ### END CODE HERE ###

我不是很熟悉python的技巧，看了一下网友的答案，原来可以一句代码搞定。

    for i in range(A.shape[1]):
        # Convert probabilities a[0,i] to actual predictions p[0,i]
        ### START CODE HERE ### (≈ 4 lines of code)
        Y_prediction[0, i] = 1 if A[0, i] > 0.5 else 0
        ### END CODE HERE ###

嘻嘻嘻。
在这里插入图片描述
图片太大了可能会失败。

ValueError: total size of new array must be unchanged

在这里插入图片描述

Week3

在这里插入图片描述

n_x = X.shape[0]  # size of input layer
n_h = 4
n_y = Y.shape[0]  # size of output layer

initialize_parameters(n_x, n_h, n_y)
A2, cache = forward_propagation(X_assess, parameters)
compute_cost(A2, Y_assess, parameters)
grads = backward_propagation(parameters, cache, X_assess, Y_assess)
parameters = update_parameters(parameters, grads)

predictions = (A2 > 0.5)