DL（一）——吴恩达神经网络与深度学习第二周课程作业记录

参考文章：
https://blog.csdn.net/u013733326/article/details/79639509
https://www.cnblogs.com/chay/articles/10575174.html
https://www.imooc.com/article/69514

读取数据集

def load_dataset():
    train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r")
    train_set_x_orig = np.array(train_dataset["train_set_x"][:]) # your train set features
    train_set_y_orig = np.array(train_dataset["train_set_y"][:]) # your train set labels

    test_dataset = h5py.File('datasets/test_catvnoncat.h5', "r")
    test_set_x_orig = np.array(test_dataset["test_set_x"][:]) # your test set features
    test_set_y_orig = np.array(test_dataset["test_set_y"][:]) # your test set labels

    classes = np.array(test_dataset["list_classes"][:]) # the list of classes
    
    train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
    test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0]))
    
    return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes

数据预处理

#导入数据，“_orig”代表这里是原始数据，我们还要进一步处理才能使用
train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()#由数据集获取一些基本参数
#其中train_set_y为训练集中的标签数组
m_train = train_set_x_orig.shape[0]  #训练集大小209
m_test = test_set_x_orig.shape[0]    #测试集大小50
num_px = train_set_x_orig.shape[1]  #图片宽度64，大小是64×64
#将图片数据向量化（扁平化）
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0],-1).T
#T表示转置，-1表示剩余元素除了逗号前面的进行扁平化
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0],-1).T
#对数据进行标准化
train_set_x = train_set_x_flatten/255.
test_set_x = test_set_x_flatten/255.

说明：

1. train_set_x_orig：是原始数据的形状(209, 64, 64, 3)，第一维代表m，即样本数量，第二维第三维分别是图片的长和宽，第四维代表图片的RGB三个通道。

2. .shape可以获取一个矩阵的形状，可通过[i]来知道每一维的大小；
   .reshape()用来重构矩阵的形状，直接在里面填写维度即可
   此处的特殊用法：当要把一个向量X(m,a,b,c)这个四维向量扁平化成X_flatten(m,a* b* c)的二维向量，可以写X_flatten=X.reshape(X.shape[0],-1)即可，其中“-1”代表把剩余维度压扁的模式。而代码中还有一个.T,代表转置，因为我们希望把训练样本压缩成（64* 64 *3，m）的形式。

3. 经过标准化（也称归一化）之后，等高线就变规矩了，就很容易梯度下降了。另外，对于图片数据的话，进行标准化很简单，因为RGB三个通道的范围都是255，我们对图片的处理就是直接除以255即可。

后面的步骤比较简单，阅读代码就可以了解怎么实现