吴恩达深度学习作业_神经网络与深度学习作业-Week2

本次编程作业的实现环境是Python3.6、Anaconda3(64-bit)、Jupyter Notebook。是网易云课堂上的吴恩达《神经网络与深度学习》的编程作业，个别代码有修改，仅供交流学习之用。

Logistic Regression with a Neural Network mindset¶

本次作业对猫图片的识别利用深度学习技术建立一个逻辑回归分类器，将编码实现三个函数：初始化参数、计算代价函数和梯度、使用优化算法，并整合为一个主模型函数。

1-导入软件包¶

numpy：基于Python的科学计算函数包

H5py：与H5文件进行数据交互的公共包

matplotlib：Python绘图库

PIL和scipy：测试你的模型和图片

import numpy as npimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif']=['FangSong']plt.rcParams['axes.unicode_minus'] = Falseimport h5pyimport scipyfrom PIL import Imagefrom scipy import ndimagefrom lr_utils import load_dataset

2-浏览问题集¶

数据集(data.h5)包括： -包含标签的训练数据集m_train个图片，y=1为猫，y=0非猫， -包含标签的测试数据集m_test个图片， -每个图片的数据形状为(num_px, num_px, 3)，分别表示高、宽、RGB通道数。

下面将建立一个图像识别算法对图片分类。先浏览一下数据集。

# 获得数据(猫/非猫)train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()print(train_set_x_orig.shape, train_set_y.shape, test_set_x_orig.shape, test_set_y.shape, classes.shape)print(type(train_set_y))print('train_set_x_orig:',train_set_x_orig[:3], 'rain_set_y:',train_set_y[:,:3], 'est_set_x_orig:',test_set_x_orig[:3], 'est_set_y:',test_set_y[:,:3], 'classes:',classes[:3])​# 显示一个图片index = 26plt.imshow(train_set_x_orig[index])print('y = ' + str(train_set_y[:, index]) + '，它是‘' + classes[np.squeeze(train_set_y[:, index])].decode("utf-8") + '’图')

#-----m_train = train_set_x_orig.shape[0]m_test = test_set_x_orig.shape[0]num_px = train_set_x_orig.shape[1]#-----print ("Number of training examples: m_train = " + str(m_train))print ("Number of testing examples: m_test = " + str(m_test))print ("Height/Width of each image: num_px = " + str(num_px))print ("Each image is of size: (" + str(num_px) +