【深度学习】-吴恩达作业笔记

【深度学习】- 吴恩达作业

• 作业链接

【c1w1】

1.选择题

【结构化数据 VS 非结构化数据】

结构化数据：由明确定义的数据类型组成，其模式可以使其易于搜索

非结构化数据：通常由不容易搜索的数据组成，其中包括音频、视频和社交媒体发布等格式。

【c1w2】

1.选择题

神经元节点先计算线性函数，再计算激活函数

广播：广播会在缺失维度和轴长度为1的维度上进行（相乘也可以）

【 * and np.dot】

2.构建一个逻辑回归分类器来识别猫

• 链接

2.1 Python Basics with Numpy (optional assignment)

2.2 Logistic Regression with a Neural Network mindset

【c1w3】

1.选择题

$tanh$ 激活函数效果总是优化 $sigmoid$ ——函数值域在-1和+1d 激活函数其均值更接近零均值

python 中 axis = 0, axis = 1——1表示横轴，方向从左到右；0表示纵轴，方向从上到下

• 初始化问题

对于逻辑回归，把权重初始化为 0 是可以的

对于神经网络，如果把权重或者参数都初始化为 0，那么梯度下降将不会起作用——（所有的隐含层都是对称的）

当使用 np.random.randn（）*1000 初始化——如果用$tanh$ 或者 $sigmoid$ 激活函数，如果 $W$ 很大，计算计算激活值$z=Wx+b$ ，Z 就会很大，可能会停在$tanh/sigmoid$函数的平坦的地方，这些地方梯度很小，意味着梯度下降会很慢，因此学习也会慢

2.通过一个隐藏层的神经网络来做平面数据的分类

• 链接

【c1w4】

1.选择题

超参数——隐藏层的大小、神经网络的层数、 学习率、迭代次数

网络层按照隐藏层数+1—输入和输出层不算作隐藏层

2.构建深度神经网络做图像处理

• 链接