Deep Learning笔记——第一课第二周编程笔记（无代码）

笔记内容都是记录对我有意义的方面，供我以后个人复习参考，打扰大家，还望海涵。

第二周任务一笔记：

np.linalg.norm()函数：

官方解释网址：https://numpy.org/doc/1.18/reference/generated/numpy.linalg.norm.html

np.linalg.norm(x, ord=None, axis=None, keepdims=False)

参数解释：

x：输入矩阵

如果参数axis为None，x必须为一维或者二维，除了ord为None时。如果ord和axis都为None，则返回的是norm of x.ravel。

ord：可选输入

范数类型

图片来自：https://blog.csdn.net/hqh131360239/article/details/79061535

axis：可选输入

值为1时，求各行的范数；值为0时，求各列的范数；值为None时，求矩阵的范数。

keepding：输出矩阵的特性

值为True时，表示保持输入矩阵的维度特性；值为False时，不保持矩阵的维度特性。

---

第二周任务二笔记：

预处理数据需要记住的一般步骤：

**What you need to remember:**

Common steps for pre-processing a new dataset are:

• Figure out the dimensions and shapes of the problem (m_train, m_test, num_px, ...) 
• Reshape the datasets such that each example is now a vector of size (num_px * num_px * 3, 1)
• "Standardize" the data

np.dot() 函数：

官方网址： https://numpy.org/doc/1.18/reference/generated/numpy.dot.html

numpy.dot(a, b, out=None)

参数解释：

1. 当a和b是一维时，得到的是向量的内积；

2. 当a和b是二维时，得到的是矩阵乘积，但是建议使用matmul或者a @ b进行计算；

3. 当a或者b是0维时，作用相当于multiply，并且建议使用multiply(a,b) 或者 a*b；

4. 当a和b是多维时，就是矩阵和矩阵相乘。

总结步骤：

1. 预处理数据：preprocess()

2. 初始化参数：initialize()

3. 梯度下降（Gradient descent）：前向传播和后向传播

   propagate()->optimize()

4. predict()

5. Merge all functions into a model