deep_ai——1.2逻辑回归案例

1. 逻辑回归实现思路
   1）初始化参数
   2）计算损失函数与梯度（通过最小化损失，学习模型参数）
   3）使用优化算法（梯度下降）

2. 数据处理
   课程案例是针对动物图像做图像分类。
   图像值： 图像的rgb，输出：是否为cat
   图像rbg： shape=（209, 64,64,3）， 209 表示照片数， 64*64 表示rgb。
   label：shape=（1， 209）
   1）如何将 shape=（209, 64,64,3）转换为2D模型可识别的值？
   使用reshape

train_set_x_orig = np.random.rand(209, 64, 64, 3) ##创建指定纬度的矩阵
### START CODE HERE ### (≈ 2 lines of code)
print(train_set_x_orig.shape)
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[1]*train_set_x_orig.shape[2]*3,train_set_x_orig.shape[0] )
### END CODE HERE ###

2）数据标准化

train_set_x = train_set_x_flatten/255.

3. 算法框架
   

4. 算法构建过程
   (1）建立神经网络的步骤
   1)定义模型结构（例如特征输入的个数）
   2）初始化模型参数
   3）循环：
   a.计算当前样本loss（forward propagation）
   注： loss 实际不参与参数更新，用于模型迭代速度与步伐的控制。
   b. 计算当前梯度（backward propatation）
   c. 更新参数度（使用梯度下降）
   

5. 画loss曲线
   

6. 进一步分析：选择learing rate
   1）学习率控制参数迭代速度。
   2）学习率太大（0.01），则loss大起大落。
   3）学习率太小， 则容易过拟合， 表现为训练集好，但测试集不好。
   4）深度学习领域
   a. 学习率能更好的最小化损失函数
   b.如何减少过拟合， 后面才能看到