1-2神经网络编程基础

1：库

numpy
h5py
matplotlib
PIL、scipy

2：魔法函数

IPython组内预先定义好的函数，通过命令行语句形式访问

#加载包和数据
import numpy as np		#python科学计算中最重要的库
import matplotlib.pyplot as plt			#python画图的库
import h5py			#python与H5文件交互的库
import scipy		#python科学计算相关库
from PIL import Image		#python图像相关库
from scipy import ndimage		#ndimage为数据文件夹
from lr_utils import load_dataset		#？？？
%matplotlib inline		#IPython编译器内嵌绘图，可以省掉plt.show()

#加载数据集
#说明：带orig的后缀为图像数据集（train、test），后续将处理它们。不带orig后缀的为返回值，且不需要进行处理
train_set_x_orig
train_set_y
test_set_x_orig
test_Set_y
classes=load_dataset()

3：squeeze函数

A=squeeze（B）
如果B存在单行单列的维度，去掉即为B，反之则A、B元素相同

4：[ : , n ]

[: , n]取所有行第n个（第n+1列）元素
[n , :]取第一维下标为n（第n+1行）的元素所有值

5：classes函数

？？？

#一个图片例子
index = 3		#可以修改
plt.imshow(train_set_x_orig[index])			#显示索引的图片
print ("y = " + str(train_set_y[:, index]) + ", it's a '" + classes[np.squeeze(train_set_y[:, index])].decode("utf-8") +  "' picture."
#运行结果：y = [0], it's a 'non-cat' picture.

6：BUG

深度学习中代码错误中最常见的就是：向量或矩阵维数对不上，写代码要多注意检查

7：shape函数

X.shape[n]——>X的第n维数据个数
X.shape——>X的维数信息（_，）

m_train = train_set_x_orig.shape[0]		#训练样本的数目
m_test = test_set_x_orig.shape[0]		#测试样本的数目
num_px = train_set_x_orig.shape[1]		#训练图像的高（宽）
print ("Number of training examples: m_train = " + str(m_train))		#209
print ("Number of testing examples: m_test = " + str(m_test))		#50
print ("Height/Width of each image: num_px = " + str(num_px))		#64
print ("Each image is of size: (" + str(num_px) + ", " + str(num_px) + ", 3)")		#（64,64,3）
print ("train_set_x shape: " + str(train_set_x_orig.shape))		#（209,64,64,3）
print ("train_set_y shape: " + str(train_set_y.shape))		#（1,209）
print ("test_set_x shape: " + str(test_set_x_orig.shape))		#（50,64,64,3）
print ("test_set_y shape: " + str(test_set_y.shape))		#（1,50）

8：reshape函数

X.reshape(X.shape[0],-1)重塑矩形形状，化为二维数据

train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0],-1).T		#重塑矩形形状后转置，train_set_x_orig.shape[0]=209，身下的一维数据为其他维元素相乘的结果
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0],-1).T
print ("train_set_x_flatten shape: " + str(train_set_x_flatten.shape))		#(12288, 209)
print ("test_set_x_flatten shape: " + str(test_set_x_flatten.shape))		#(12288, 50)
print ("sanity check after reshaping: " + str(train_set_x_flatten[0:5,0])