import numpy as np
import matplotlib.pyplot as plt
import h5py
from lr_utils import load_dataset
train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset(
)
plt.imshow(train_set_x_orig[25]
)plt.waitforbuttonpress(
)
三、列印測試集和訓練集中的資訊
m_train = train_set_y.shape[1]
#訓練集裡的數量。
m_test = test_set_y.shape[1]
#測試集裡的數量。
num_px = train_set_x_orig.shape[1]
#訓練、測試集裡面的的寬度和高度（均為64x64）
shape[1]：表示矩陣的列數
因為 train_set_y.shape 儲存的是訓練集的影象對應的分類值（【0 | 1】，0表示不是貓，1表示是貓）是由一維陣列儲存的，所以train_set_y.shape[1]可以用列數來計算的數量。同理test_set_y.shape[1]也用列數來計算測試集中的數量。
print
("訓練集的數量: m_train = "
+str
(m_train)
)print
("測試集的數量 : m_test = "
+str
(m_test)
)print
("每張的寬/高 : num_px = "
+str
(num_px)
)print
("每張的大小 : ("
+str
(num_px)
+", "
+str
(num_px)
+", 3)"
)print
("訓練集_的維數 : "
+str
(train_set_x_orig.shape)
)print
("訓練集_標籤的維數 : "
+str
(train_set_y.shape)
)print
("測試集_的維數: "
+str
(test_set_x_orig.shape)
)print
("測試集_標籤的維數: "
+str
(test_set_y.shape)
)
#x_flatten = x.reshape(x.shape [0]，-1).t ＃x.t是x的轉置
#將訓練集的維度降低並轉置。
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0]
,-1)
.t#將測試集的維度降低並轉置。
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0]
,-1)
.t
)=wt
x(i)
+bz^=w^x^+b
z(i)=w
tx(i
)+by^(
i)=a
(i)=
sigm
oid(
z(i)
)\hat^=a^=sigmoid(z^)
y^(i)
=a(i
)=si
gmoi
d(z(
i))l(a
(i),
y(i)
)=−y
(i)l
og(a
(i))
−(1−
y(i)
)log
(1−a
(i))
l(a^,y^)=-y^log(a^)-(1-y^)log(1-a^)
l(a(i)
,y(i
))=−
y(i)
log(
a(i)
)−(1
−y(i
))lo
g(1−
a(i)
)
神經網路的認識（二）深層神經網路
損失函式 神經網路優化演算法 神經網路進一步優化 深層學習有兩個非常重要的特性 多層和非線性 線性模型的侷限性，就是任意線性模型的組合仍然還是線性模型。所以引出啟用函式，經過啟用函式變換完的輸出就不再是線性的了。如果將每乙個神經元 也就是神經網路中的節點 的輸出通過乙個非線性函式，那麼整個神經網路的...
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...
神經網路的認識（一）神經網路的認識
特徵提取 我的理解就是將物體資料化，將乙個實體盡可能的描述成計算機可以懂得話，就比如定義乙個人，姓名 性別 愛好 出生地 出生日期 這樣可以給他打足夠多的標籤，就可以定義他是誰了，這個標籤就是特徵。使用神經網路有4個步驟 提取問題中實體的特徵向量作為神經網路的輸入，不同實體可以提取不同的特徵向量 定...