吴恩达课程1-4作业

#定义一些必要函数
def sigmoid(Z):
    A=1/(1+np.exp(-Z))
    assert(A.shape==Z.shape)
    cache=Z
    return A,cache
def relu(Z):
    A=Z
    A[Z<=0]=0
    assert(A.shape==Z.shape)
    cache=Z
    return A,cache
def backward_sigmoid(dA,A):
    dA.reshape(A.shape)
    dZ=dA*A*(1-A)
    assert(dZ.shape==dA.shape)
    return dZ
def backward_relu(dA,cache):
    Z=cache
    dZ=dA
    dZ[Z<=0]=0
    assert(dZ.shape==dA.shape)
    return dZ
def initial_parameters(layerdims):
    np.random.seed(3)
    L=len(layerdims)
    parameters={}
    for l in range(1, L): #之前写成了L+1
        parameters["W"+str(l)]=np.random.randn(layerdims[l],layerdims[l-1])*0.01
        parameters["b"+str(l)]=np.zeros((layerdims[1],1))
        assert( parameters["W"+str(l)].shape)==(layerdims[l],layerdims[l-1])
        assert( parameters["b"+str(l)].shape)==(layerdims[1],1)
    return parameters
def line(A_pre,W,b):
    Z=np.dot(W,A_pre)+b
    assert(Z.shape==(W.shape[0],A_pre.shape[1]))
    cache=[A_pre,W,b] #写成[A_pre,W,b]与（A_pre,W,b）效果一样
    return Z,cache
def cost(Y,AL):

    m=Y.shape[1]

    cost=-np.sum(np.multiply(Y,np.log(AL))+np.multiply(1-Y,np.log(1-AL)))/m  #之前少写了np.sum

    cost=np.squeeze(cost) #记得降维成一个数字 自己写的忘记加了
    assert(cost.shape==()) #自己写的忘记加了

     return cost

def forward_propagate(X,parameters):
    L=len(parameters)/2   #答案是//2有必要吗？因为parameters必然是成对出现的！有必要的。因为可以取整。去掉小数点变成整数、不然是float型
    caches=[]
    A_pre=X
    for l in range(1,L):
        Z,cache_line=line(A_pre,parameters["W"+str(l)],parameters["b"+str(l)])
        A,cache_active=relu(Z)
        A_pre=A
        caches.append([cache_line,cache_active])
    ZL,cache_line=line(A_pre,parameters["W"+str(L)],parameters["b"+str(L)])
    AL,cache_active=sigmoid(ZL)
    caches.append([cache_line,cache_active])
    return AL,caches
def backward_propagate(Y,AL,caches):
    L=len(caches) #原来/2了 这里不应该/2
    grads={}
  #  cost=cost(Y,AL)   #去掉这句话 不加了
    m=Y.shape[1]
    dAL=-np.divide(Y,AL)+np.divide(1-Y,1-AL)
    assert(dAL.shape==AL.shape)
    grads["dA"+str(L)]=dAL

   # dZL=backward_sigmoid(dAL,AL)#修改 L层单独处理，然后再走后面的

    cache_line_L,cache_active_L=caches[L-1]

    dZL=backward_sigmoid(dAL,cache_active_L)

    dZ=dZL

 #新增加

 grads["dW"+str(L)]=np.dot(dZ,cache_line_L[0].T)/m
    grads["db"+str(L)]=np.sum(dZ,axis=1,keepdims=True)/m

    grads["dA"+str(L-1)]=np.dot(cache_line_L[1].T,dZ)

#####

    for l in reversed(range( L-1)):

       

 cache_line,cache_active=caches[l]
        A_pre,W,b=cache_line
        Z=cache_active
        dZ=backward_relu(grads["dA"+str(l+1)],Z)

        grads["dW"+str(l+1)]=np.dot(dZ,A_pre.T)
        grads["db"+str(l+1)]=np.sum(dZ,axis=1,keepdims=True)/m
        grads["dA"+str(l)]=np.dot(W.T,dZ)
       # dZ=backward_relu(grads["dA"+str(l)],Z)#错误就出在这里，Z是Z（l+1）的这里不匹配应该用Z(l)的
    return grads #返回值里也去掉cost
def updata_parameters(parameters,grads,learning_rate):
    L=len(parameters)/ /2
    for l in rang(L):
        parameters["W"+str(l+1)]=parameters["W"+str(l+1)]-learning_rate*grads["dW"+str(l+1)]
        parameters["b"+str(l+1)]=parameters["b"+str(l+1)]-learning_rate*grads["db"+str(l+1)]
        return parameters