【吴恩达课后编程作业】《神经网络与深度学习》

本文需要使用数据集dataset，点击下载。使用的运行环境是Python3.7。详细注释所有代码，以供自己复习使用。

---

第一部分  实验说明

一、实验目的

搭建一个能够【识别猫】 的简单的神经网络

二、实验过程

建立神经网络的主要步骤：

1—定义模型结构（例如输入特征的数量）

2—初始化模型的参数

3-循环

    3.1-计算当前损失（正向传播）

    3.2—计算当成梯度（反向传播）

    3.3—更新参数（梯度下降）

---

三、代码函数说明—具体代码实现见第二部分

函数名	函数实现
def load_dataset()	加载资料包里面的数据，随后并对加载的数据进行处理
sigmoid()	sigmoid（w ^ T x + b） 计算来做出预测
def propagate(w, b, X, Y)	实现前向和后向传播的成本函数及其梯度
def optimize(w , b , X , Y , num_iterations , learning_rate , print_cost = False)	行梯度下降算法来优化w和b
ef predict(w , b , X )	使用学习逻辑回归参数logistic （w，b）预测标签是0还是1
def model():	整合到一个model()函数中

---

第二部分  实验代码

一、需要导入的包

#-*- coding: utf-8 -*-    #编码注释

import numpy as np    #导入numpy包
import matplotlib.pyplot as plt   #导入matplotlib.pyplot包
import h5py #导入h5py

1、编码ANSI、GB2312、UNICODE与UTF-8区别

编码方式	特点
ANSI	属于单字节编码，最多表示范围0x00-0xFF，255个字符
GB2312/GBK	GB2312/GBK，汉字国标编码，属于双字节编码，其中英文字母部分和iso8859-1一致，GBK编码能同时表示简体字和繁体字，GB2312只能表示简体字，GBK则兼容GB2312编码。
UTF-8	UTF-8本来设计主要用于网络传输，优点是单字节字节编码所以不用考虑字节序问题，但是目前也被应用在本地文档存储格式上
UNICODE	UNICODE编码则是指UTF-16 LE，UTF-16是Windows上默认的Unicode编码方式，常用的Word文档、标准化软件等都是使用Unicode编码

Python 默认脚本文件都是 ANSCII 编码的，当文件 中有非 ANSCII 编码范围内的字符的时候就要使用"编码指示"来修正一个 module 的定义中，如果.py文件中包含中文字符（严格的说是含有非anscii字符），则需要在第一行或第二行指定编码声明：# -*- coding=utf-8 -*- 或者 #coding=utf-8。其他的编码如：gbk、gb2312也可以；否则会出现 

 Python中默认的编码格式是 ASCII 格式，在没修改编码格式时无法正确打印汉字，所以在读取中文时会报错。

2、关于import

import语句	模块名.函数名
from...import语句	Python 的 from 语句让你从模块中导入一个指定的部分到当前命名空间中。
from...import*语句	把一个模块的所有内容全都导入到当前的命名空间也是可行的，

3、关于numpy库和matplotlib库

numpy库参考https://www.runoob.com/numpy/numpy-linear-algebra.html

matplotlib参考https://www.runoob.com/numpy/numpy-matplotlib.html

[因为我们的dataset是h5格式]：h5py文件是存放两类对象的容器，数据集(dataset)和组(group)，dataset类似数组类的数据集合，和numpy的数组差不多。group是像文件夹一样的容器，它好比python中的字典，有键(key)和值(value)。group中可以存放dataset或者其他的group。”键”就是组成员的名称，”值”就是组成员对象本身(组或者数据集)

二、关于加载数据的函数并进行测试

##加载数据的函数
def load_dataset():
    
    #关于训练集
    train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r") #可读文件
    train_set_x_orig = np.array(train_dataset["train_set_x"][:]) # your train set features
    #train_set_x_orig ：保存的是训练集里面的图像数据（本训练集有209张64x64的图像）
    train_set_y_orig = np.array(train_dataset["train_set_y"][:]) # your train set labels
    #train_set_y_orig ：保存的是训练集的图像对应的分类值（【0 | 1】，0表示不是猫，1表示是猫）
   
    #关于测试集
    test_dataset = h5py.File('datasets/test_catvnoncat.h5', "r")
    test_set_x_orig = np.array(test_dataset["test_set_x"][:]) # your test set features
    #test_set_x_orig ：保存的是测试集里面的图像数据（本训练集有50张64x64的图像）
    test_set_y_orig = np.array(test_dataset["test_set_y"][:]) # your test set labels
    #test_set_y_orig ： 保存的是测试集的图像对应的分类值（【0 | 1】，0表示不是猫，1表示是猫）
    
    #是猫不是猫
    classes = np.array(test_dataset["list_classes"][:]) # the list of classes
    #classes ： 保存的是以bytes类型保存的两个字符串数据，数据为：[b’non-cat’ b’cat’]
    
    #改变数组形状
    train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
    test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0]))  #存在问题
   
    #关于train_set_x与test_set_y变量是已存在的变量
    
    return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes

#把数据加载到主程序中
train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset()

#查看加载图片信息
#plt.imshow()函数负责对图像进行处理，并显示其格式，而plt.show()则是将plt.imshow()处理后的函数显示出来  
index = 2;
plt.imshow(train_set_x_orig[index]);
plt.show()  

print("train_set_y=" + str(train_set_y)) #查看一下训练集里面的标签是什么样的。
print("test_set_y=" + str(test_set_y)) #查看一下测试集里面的标签是什么样的。
print(train_set_y.shape)  #输出训练集的大小
print(test_set_y.shape)   #输出测试集的大小
print(train_set_x_orig.shape)  #(209, 64, 64, 3)
print(test_set_x_orig.shape)   #(50, 64, 64, 3)
print(classes)   #[b'non-cat' b'cat']

m_train = train_set_y.shape[1] #训练集里图片的数量。
m_test = test_set_y.shape[1] #测试集里图片的数量。
num_px = train_set_x_orig.shape[1] #训练、测试集里面的图片的宽度和高度（均为64x64）。

#现在看一看我们加载的东西的具体情况
print ("训练集的数量: m_train = " + str(m_train))
print ("测试集的数量 : m_test = " + str(m_test))
print ("每张图片的宽/高 : num_px = " + str(num_px))
print ("每张图片的大小 : (" + str(num_px) + ", " + str(num_px) + ", 3)")
print ("训练集_图片的维数 : " + str(train_set_x_orig.shape))
print ("训练集_标签的维数 : " + str(train_set