用Python进行神经网络逻辑回归

学习内容：

使用神经网络进行逻辑回归，学习算法的总体框架，包括初始化参数、计算成本函数和梯度、使用优化算法（梯度下降）

使用到的包：

numpy, matplotlib.pyplot, h5py, scipy, PIL.Image, scipy.ndimage, (lr_utils.load_dataset)

读取图片：

plt.imshow(train_set_x_orig[index]

了解训练集和测试集的维度：

train_set_x_orig 是shape为 (m_train, num_px, num_px, 3) 的array

可以通过train_set_x_orig[0]来取得m_train

为方便计算，一般要将图片的形状由(num_px, num_px, 3)转化为(num_px * num_px * 3, 1)，使每一列的数组代表一张平铺的图片。

X_flatten = X.reshape(X.shape[0], -1).T

对每个像素进行归一化预处理

train_set_x = train_set_x_flatten/255.
test_set_x = test_set_x_flatten/255.

需要定义的函数:

def sigmoid(z):

s = 1 / (1 + np.exp(-z))

return s

这里z = np.dot(w.T, x) + b

---------------------------------------

def initialize_with_zeros(dim):

w = np.zeros((dim, 1))

b = 0

return w, b

这里dim = num_px * num_px * 3

----------------------------------------

def propagate(w, b, X, Y):

m = X.shape[1]  # number of examples

A = sigmoid(np.dot(w.T, X) + b) # forward