吴恩达深度学习L1W2逻辑回归神经网络识别猫

用神经网络思想实现Logistic回归分类器用来识别猫

1-问题描述
问题说明：你将获得一个包含以下内容的数据集（"data.h5"）：

- 标记为cat（y = 1）或非cat（y = 0）的m_train训练图像集
- 标记为cat或non-cat的m_test测试图像集
- 图像维度为（num_px，num_px，3），其中3表示3个通道（RGB）。 因此，每个图像都是正方形（高度= num_px）和（宽度= num_px）。

将构建一个简单的图像识别算法，该算法可以将图片正确分类为猫和非猫。

 2-装包
- numpy 是Python科学计算的基本包。
- h5py是一个常用的包，可以处理存储为H5文件格式的数据集。
- matplotlib是一个著名的Python图形库。

import numpy as np
import matplotlib.pyplot as plt
import matplotlib
import h5py
import scipy
from PIL import Image
from scipy import ndimage
from lr_utils import load_dataset

%matplotlib inline

通过运行以下代码来加载数据。

#加载数据（猫/非猫）
train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()

我们在图像数据集（训练和测试）的末尾添加了"_orig"，以便对其进行预处理。 预处理后，我们将得到train_set_x和test_set_x（标签train_set_y和test_set_y不需要任何预处理）。

train_set_x_orig和test_set_x_orig的每一行都是代表图像的数组。 可以通过运行以下代码来可视化示例。 可以随意更改index值并重新运行以查看其他图像。

# 显示图片例子
index = 25
plt.imshow(train_set_x_orig[index])
print ("y = " + str(train_set_y[:, index]) + ", it's a '" + classes[np.squeeze(train_set_y[:, index])].decode("utf-8") +  "' picture.")
#squeeze函数用于去掉维度为1的条目

“ train_set_x_orig”是一个维度为（m_train，num_px，num_px，3）的numpy数组。 例如，你可以通过编写“ train_set_x_orig.shape [0]”来访问“ m_train”。

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) + ", " + str(num_px) + ", 3)")
print ("train_set_x shape: " + str(train_set_x_orig.shape))
print ("train_set_y shape: " + str(train_set_y.shape))
print ("test_set_x shape: " + str(test_set_x_orig.shape))
print ("test_set_y shape: " + str(test_set_y.shape))

向量化

为了方便起见，你现在应该以维度(num_px ∗num_px ∗3, 1)的numpy数组重塑维度（num_px，num_px，3）的图像。 此后，我们的训练（和测试）数据集是一个numpy数组，其中每列代表一个展平的图像。 应该有m_train（和m_test）列。

当你想将维度为（a，b，c，d）的矩阵X展平为形状为(b∗c∗d, a)的矩阵X_flatten时的一个技巧是：
X_flatten = X.reshape（X.shape [0]，-1）.T     ＃ 其中X.T是X的转置矩阵

train_set_x