吴恩达深度学习课后作业第二周_逻辑回归_猫的识别

案例：猫的二分类

数据集：train_catvnoncat.h5 、 test_catvnoncat.h5

逻辑回归、梯度下降

---

目录
1.使用h5py加载数据
2.查看数据信息 （以字典的方式提取）
3.提取图片以及标签（包含随机可视化一个样本）
4. 前向传播
5. 优化部分（梯度下降）
6. 预测、准确率
7. 不同学习率的比较

---

与之前作业的比较

1、使用 h5py 来读取图像文件，每一个图像为 28*28 像素，每一个像素作为一个特征，要把 四维的数组(209, 64, 64, 3)，预处理为二维数组（12288，209）
2、机器学习中，我们用pandas读取数据时，每一行为一个样本（m，n），现在每一行为一个特征（n，m），以便对应公式 w.T @ X + b
3、（把损失函数、梯度下降、预测函数 整合到 一个模型中，便于保存），我看了一些大神的作业确实是那么做的，但实际上，我并没有做。

---

import h5py
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

1.使用h5py加载数据

data_train = h5py.File('train_catvnoncat.h5', 'r')
data_test = h5py.File('test_catvnoncat.h5', 'r')

2.查看数据信息

for key in data_train.keys():
    print(data_train[key].name) # 打印每一个 key 的名字
    # print(data_train[key].shape)  
    # print(data_train[key].value)

/list_classes
/train_set_x
/train_set_y

for key in data_test.keys():
    print(data_test[key].name) # 打印每一个 key 的名字
    # print(data_train[key].shape)  
    # print(data_train[key].value)

/list_classes
/test_set_x
/test_set_y

3.提取图片以及标签

3.1 提取训练集数据,并转化为np二维数组

x_train = data_train['train_set_x']

# 可视化一个样本
num = np.random.randint(209)
plt.imshow(x_train[num,:])

# print(type(x_train))  # <class 'h5py._hl.dataset.Dataset'>  # 原始的维数 (209, 64, 64, 3)
x_train = np.array(x_train).reshape((209,-1)).T
# type(x_train)  # numpy.ndarray
y_train = np.array(data_train['train_set_y'])
y_train = y_train.reshape((-1,1)).T
print(x_train.shape,