吴恩达深度学习作业笔记（一）

1.numpy的基本使用：https://blog.csdn.net/cxmscb/article/details/54583415

2.sigmoid function, np.exp()的使用

# -*- coding: utf-8 -*-
import numpy as np

def sigmoid(x):          #定义sigmoid函数
    s = 1/(1+np.exp(-x))
    return s
x1 = np.array([1,2,3])  #定义一个数组x1
print(np.exp(x1))       #依次输出e的指数次方
print(x1+3)             
print(sigmoid(x1))     #将x1代入sigmoid函数并输出结果

3.Sigmoid gradient(sigmoid函数求导)
求导过程：https://www.jianshu.com/p/d4301dc529d9

4.np.linalg.norm(求范数)
https://blog.csdn.net/hqh131360239/article/details/79061535

5.代码实现

# -*- coding: utf-8 -*-
import numpy as np
#定义sigmoid函数
def sigmoid(x):          
    s = 1/(1+np.exp(-x))
    return s
#重塑数组
def image2vector(image):
    v = image.reshape((image.shape[0]*image.shape[1]*image.shape[2]),1)
    return v
#求范数
def normalizeRows(x):
    x_norm = np.linalg.norm(x,axis=1,keepdims=True)#axis=0表示按列，axis=1表示按行，keepdims表示是否保持矩阵的二维特性
    x = x/x_norm
    return x
x = np.array([
        [0,3,4],[1,6,4]])
print("normalizeRows(x) = " + str(normalizeRows(x)))
#broadcast中的softmax()函数
def softmax(x):
    x_exp = np.exp(x)
    x_sum = np.sum(x_exp,axis=1,keepdims=True)
    s = x_exp/x_sum
    return s

6.计算程序运行时间的方法
①a1=time.perf_counter()
②a2=time.process_time()
③a3=time.clock() //python3.3以上的版本都不适用了

7.np.random.rand(d0,d1,d2…)返回(0,1)之间的随机样本

8.zeros方法创建数组
https://blog.csdn.net/qq_28618765/article/details/78085457