01. 神经网络和深度学习 —— week3浅层神经网络（编程作业）

1. 任务

• 用一个隐含层的神经网络实现一个二分类。
• 利用非线性的激活函数单元。
• 计算交叉熵损失函数。
• 实现向前传播和向后传播。

2. 网络结构

3. 建立神经网络的方法

• 定义神经网络的结构（输入层，输出层，隐含层个数）。
• 初始化模型参数。
• 循环：
  —实现向前传播。
  —计算损失函数。
  —为了得到梯度值，实现向后传播。
  —更新参数（梯度下降）

4. 代码

import numpy as np
import matplotlib.pyplot as plt
from testCases import *
import sklearn
import sklearn.datasets
import sklearn.linear_model
from planar_utils import plot_decision_boundary, sigmoid, load_planar_dataset, load_extra_datasets

#%matplotlib inline #如果你使用用的是Jupyter Notebook的话请取消注释。

np.random.seed(1) #设置一个固定的随机种子，以保证接下来的步骤中我们的结果是一致的。

X, Y = load_planar_dataset()
#plt.scatter(X[0, :], X[1, :], c=Y, s=40, cmap=plt.cm.Spectral) #绘制散点图
shape_X = X.shape
shape_Y = Y.shape
m = Y.shape[1]  # 训练集里面的数量

print ("X的维度为: " + str(shape_X))
print ("Y的维度为: " + str(shape_Y))
print ("数据集里面的数据有：" + str(m) + " 个")

def layer_sizes(X , Y):
   """
   参数：
    X - 输入数据集,维度为（输入的数量，训练/测试的数量）
    Y - 标签，维度为（输出的数量，训练/测试数量）

   返回：
    n_x - 输入层的数量
    n_h - 隐藏层的数量
    n_y - 输出层的数量
   """
   n_x = X.shape[0] #输入层
   n_h = 4 #，隐藏层，硬编码为4
   n_y = Y.shape[0] #输出层

   return (n_x,n_h,n_y)

def initialize_parameters( n_x , n_h ,n_y):
   """
   参数：
       n_x - 输入节点的数量
       n_h - 隐藏层节点的数量
       n_y - 输出层节点的数量

   返回：
       parameters - 包含参数的字典：
           W1 - 权重矩阵,维度为（n_h，n_x）
           b1 - 偏向量，维度为（n_h，1）
           W2 - 权重矩阵，维度为（n_y，n_h）
           b2 - 偏向量，维度为（n_y，1）

   """
   np.random.seed(2) #指定一个随机种子，以便你的输出与我们的一样。
   W1 = np.random.randn(n_h,n_x) * 0.01
   b1 = np.zeros(shape=(n_h, 1))
   W2 = np.random.randn(n_y,n_h) * 0.01
   b2 = np.zeros(shape=(n_y, 1))

   #使用断言确保我的数据格式是正确的
   assert(W1.shape == ( n_h , n_x ))
   assert