深度学习-吴恩达L1W2作业

作业1：吴恩达《深度学习》L1W2作业1 - Heywhale.com

作业2：吴恩达《深度学习》L1W2作业2 - Heywhale.com

作业1

你需要记住的内容：
-np.exp（x）适用于任何np.array x并将指数函数应用于每个坐标
-sigmoid函数及其梯度

sigmoid函数的梯度：

-image2vector通常用于深度学习
-np.reshape被广泛使用。 保持矩阵/向量尺寸不变有助于我们消除许多错误。

可以使用assert保证尺寸是我们想要的。
-numpy具有高效的内置功能
-broadcasting非常有用

你需要记住的内容：
-向量化在深度学习中非常重要， 它保证了计算的效率和清晰度。
-了解L1和L2损失函数。

-掌握诸多numpy函数，例如np.sum，np.dot，np.multiply，np.maximum等。

np.dot表示矩阵乘法，直接使用*表示元素乘法，也就是说，它将两个数组中对应位置的元素相乘，得到一个新的具有相同形状的数组，*与np.multiply类似。

作业2

你需要记住的内容：

预处理数据集的常见步骤是：

• 找出数据的尺寸和维度（m_train，m_test，num_px等）
• 重塑数据集，以使每个示例都是大小为（num_px * num_px * 3，1）的向量
• “标准化”数据

我的理解是X.shape[0]表示多少行， -1表示剩余的所有维度数据合并成列，最后转置，所以最后行列互换，实验中train_set_x_orig的shape为(209,64,64,3)，所以转置前表示209行，每一列都是其他维度数据的合并，最后转置，达成了209列，每一列表示每个特征。

你需要记住以下几点：
你已经实现了以下几个函数：

• 初始化（w，b）
• 迭代优化损失以学习参数（w，b）：
  •     计算损失及其梯度
  •     使用梯度下降更新参数
• 使用学到的（w，b）来预测给定示例集的标签