吴恩达 第二周编程作业及总结

前言

这篇博客包括吴恩达第二周编程作业代码以及自制思维导图总结，作为学习记录。如果要看大佬代码以及详细解读的朋友，我可以指个路，这是英文版，这是中文版。作为初学者，本文的代码是参考上述大佬后部分自己写的，而剩下部分原搬的代码也加了很多注释，便于理解。

代码

查看并处理数据

import numpy as np
import matplotlib.pyplot as plt
from lr_utils import load_dataset
# lr_utils 是能加载下载好的数据集 datasets 的python文件

def get_data():
    # 将数据加载
    train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()
    # train_set_x_orig 训练集有209张64*64的图像
    # train_set_y 训练集图像对应的标签值[0/1]
    # test_set_x_orig 训练集有50张4*4的图像
    # test_set_y 测试集图像对应的标签值[0/1]
    # classes 保存的是以bytes类型保存的两个字符串数据，数据为[b' non-cat    b' cat']

    # 查看数据
    index = 30
    plt.imshow(train_set_x_orig[index])
    plt.show()
    print("x="+str(index)+",y="+str(train_set_y[:, index])+",it's a "+classes[np.squeeze(train_set_y[:, index])].decode("UTF-8")+"‘ picture")
    # 使用np.squeeze的目的是压缩维度，【未压缩】train_set_y[:,index]的值为[1] , 【压缩后】np.squeeze(train_set_y[:,index])的值为1
    # 只有压缩后的值才可以进行解码操作

    m_train = train_set_y.shape[1]  # 训练集里图片的数量。
    m_test = test_set_y.shape[1]  # 测试集里图片的数量。
    num_px = train_set_x_orig.shape[1]  # 训练、测试集里面的图片的宽度和高度（均为64x64）。

    print("训练集的数量: m_train = " + str(m_train))
    print("测试集的数量 : m_test = " + str(m_test))
    print("每张图片的宽/高 : num_px = " + str(num_px))
    print("每张图片的大小 : (" + str(num_px) + ", " + str(num_px) + ", 3)")
    print("训练集_图片的维数 : " + str(train_set_x_orig.shape))
    print("训练集_标签的维数 : " +