【吴恩达】【deplearning.ai】【编程作业笔记一】【python Basics with Numpy】

这是这门课程主要用到的numpy函数，即使你以前学过python也建议你能看看。这都在python 3下的jupyter notebook上运行的，如果你在python 2下运行，可能在后续内容得到与教程不一致的结果。我编写的目的是为了督促自己的学习，而且对于一些函数我是能多详细就多详细说明。

1  用numpy建立基础函数

1.1  sigmoid function，np.exp（）

在使用numpy库中这些函数之前，我建议你熟悉一下关于python中广播的概念。这对于我们的学习帮助很大。

在课程中，我们知道sigmoid函数表达式为：sigmoid(x) =  。

首先，让我们用一个简单的exp（）来理解广播：

接下来，让我们再用exp（）来构造我们的sigmoid（）函数：

 

1.2  Sigmoid gradient

正如视频课程中所看到的的，sigmoid函数梯度为

???????_??????????(?)=s′(?)=s(?)(1−s(?))

下面我们来实现这个梯度函数：

 

1.3  Reshaping arrays

这节我们学习np.reshape()：

函数原型：np.reshape(a, newshape, order = ‘C’)

参数： 【a】要重新整型的数组

【newshape】是将a组成什么维度的数组，比如当值为（2,1）就是将a重组成2行1列的数组

【order】暂时不用考虑，在本课程中，通常用不到

      例子：

我们也许会注意到np.reshape(a,(2,-1)),这表明我只想将a重组成2行，列数不想知道（计算机会自行算出列数）的数组。

 

1.4  Normalizing rows

现在让我们来看看numpy库中的linalg.norm()函数：

函数原型：x_norm = np.linalg.norm(x,ord = None, axis = None,keepdims = False)

参数：【x】表示要求范数的矩阵或向量

                      【ord】表示范数的类型，如下表所示：

                       向量的范数：           

                          矩阵的范数：

                                    ord =1: 列和的最大值

                                    ord =2: |λ-|=0,求特征值，然后求最大特征值的算数平方根

                                    ord =∞: 行和的最大值

          【axis】axis = 1：表示按行向量处理，求多个行向量的范数

                        axis = 0：表示按列向量处理，求多个列向量的范数

                        axis = None：表示矩阵范数

         【keepding】是否保持矩阵的二维特性

例子：

 

1.5  Broadcasting and the softmax function

从视频教程中可知：softmax(x) =

           下面我们来实现这个函数：

 

2  Vectorization

在深度学习中，由于经常需要处理大量的数据，所以向量化的运算是十分必要的，

下面我们来比较一下使用向量化和使用for函数的效率：

‘’

由以上程序可发现，使用向量化的操作的确可以大幅度提高计算效率，并且句式清晰明了

 

2.1  Implement the L1 and L2 loss functions

损失用于评估模型的性能。您的损失越大，您的预测（?）与真实值（?）的差异就越大。

在深度学习中，您使用Gradient Descent等优化算法来训练您的模型并最大限度地降低成本。

（1）首先，让我们实现L1损失的numpy矢量化版本。

         您可能会发现函数abs（x）（x的绝对值）很有用。

         本节中L1 损失函数定义为：

                               = -   |

         接来下让我们来实现L1损失函数：

          （2）现在，让我们实现L2丢失的numpy向量化版本。

                    有几种实现L2丢失的方法，但你可能会发现函数np.dot（）很有用。

                     本节中L2 损失函数定义为：

                               = -    

                   接来下让我们来实现L2损失函数：

3  squezze函数的理解

从数组的形状中删除单维度，如下列代码所示：

import numpy as np

x = np.array([[[0], [1], [2]]])
print(x)
"""
x=

[[[0]
  [1]
  [2]]]
"""
print(x.shape)  # (1, 3, 1)

x1 = np.squeeze(x)  


print(x1)  # [0 1 2] #此时只剩下维度为3的条目
print(x1.shape)  # (3,)

再如：