吴恩达Coursera深度学习课程 deeplearning.ai (1-2) 神经网络基础--编程作业

可执行源码：https://download.csdn.net/download/haoyutiangang/10369625

Part 1: Python 基础工具包 Numpy

1 用numpy实现基本方法

1.1 sigmoid 方法 与 np.exp()

利用 np.exp() 方法实现sigmoid方法

$$\begin{gathered} sigmoid(t)=\frac{1}{1+e^{-t}} \\ ---------------------------- \\ s=\frac{1}{1+e^{-t}} \\ {s}^{\prime }=s(1-s) \end{gathered}$$

math.exp(x) : x为一个值

import math
import numpy as np

def basic_sigmoid(x):
    s = 1.0 / (1 + 1/ math.exp(x))
    return s

np.exp(X) : X 为一个向量或矩阵

import numpy as np

def sigmoid(x):
    s = 1.0 / (1 + 1 / np.exp(x))
    return s

补充：声明数组和向量

定义数组：x = np.array([1, 2, 3])
定义向量：x = [1, 2, 3]

1.2 sigmoid 函数的导数

$$sigmoid\_derivative(x)=f^{\prime }(x)=f(x)(1-f(x))$$
KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ sigmoid'(t) &=…

def sigmoid_derivative(x):
    s = 1.0 / (1 + 1 / np.exp(x))
    ds = s * (1 - s)
    return ds

1.3 Reshape 数组

• 获取向量或矩阵的维度：X.shape()
• 构造其它维度的向量或矩阵：X.reshape()

Reshape X from 3D array to 1D vector

v = image.reshape((image.shape[0] * image.shape[1] * image.shape[2], 1))

参数中的运算符 * 为拼接只用

def image2vector(image):
    v = image.reshape((image.shape[0