吴恩达深度学习作业week3

资料：吴恩达深度学习的作业(jupyter notebook）有翻译的和原版的。

（1）CSDN博客：Coursera吴恩达《神经网络与深度学习》课程笔记（4）-- 浅层神经网络

（2）作业部分：吴恩达深度学习第三周作业（Planar data classification with one hidden layer) 思路写的比较好，好好参考

题目：用一个隐藏层进行平面数据分类

建立含有一个隐藏层的神经网络，这与前面的逻辑回归模型由很大的区别。具有单个隐藏层的二分类神经网络，使用非线性激活函数tanh，计算交叉entropy loss，实现前向传播和反向传播。

• （1）数据集：随机生成的，用sin和cos生成的400个样本，维度为2。x=(rsinθ，rcosθ)，y=0 or 1.
  • 调用sklearn的包使用简单的逻辑回归看一下，结果如下：准确率为47%，因为数据集本身不是线性可分的，所以逻辑回归的表现不好。

• （2）使用两层的神经网络来进行分类

建立神经网络的步骤如下：

- 定义网络的结构：输入层单元数，隐藏层单元数等

- 初始化模型参数

- 循环：前向传播，计算代价函数，后向传播得到梯度，更新参数（梯度下降）

• （3）定义神经网络结构：输入层n_x，由输入特征决定，隐藏层n_h，输出层n_y，由输出类数决定
• （4）初始化参数W,b：W初始化为很小的数，b初始化为0。

https://blog.csdn.net/red_stone1/article/details/78018269 来自11.随机初始化：

# 加载数据
X, Y = load_planar_dataset()
# 定义神经网络的结构
def layer_sizes(X, Y):
    n_x = X.shape[0] # 输入层由数据特征的个数决定
    n_h = 4
    n_y = Y.shape[0] #输出类数决定
    return (n_x, n_h, n_y)
# 初始化模型参数
def initialize_parameters(n_x, n_h, n_y):