定義四個變數
train_set_x shape: (209, 64, 64, 3)
train_set_y shape: (1, 209)
test_set_x shape: (50, 64, 64, 3)
test_set_y shape: (1, 50)
分別為訓練集的x，y，測試集的x，y。
這裡有一點需要注意，作業中直接匯入的檔案train_catvnoncat.h5和test_catvnoncat.h5兩個檔案，如果後面需要訓練自己的資料，需要建立資料集
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0],-1).t
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0],-1).t
建立了兩個為（64×63×3，209）和（64×64×3，50）這樣的形式，作為兩個新的變數
為什麼上面的語句可以實現這一點，需要繼續學習
初始化定義w，b，其中w為（m,1)的形式，其中m為輸入的列向量的維度
函式命名為initialize_with_zeros(dim)
進行正向傳播和損失函式的計算
m = x.shape[1]
a = sigmoid(np.dot(w.t,x)+b)
cost = -np.sum((np.dot(y,np.log(a).t)+np.dot((1-y),np.log(1-a).t)))/m
dw = np.dot(x,(a-y).t)/m
db = np.sum(a-y)/m
上面為計算公式，下面的為宣告和乙個計算，不是很懂
assert(dw.shape == w.shape)
assert(db.dtype == float)
cost = np.squeeze(cost)
assert(cost.shape == ())
在寫程式時出現了乙個問題：dw = 1/m×np.dot(x,(a-y).t)執行一直為0，不是很懂，但是需要注意
函式命名為propagate(w, b, x, y)
///
反響傳播計算，利用學習率計算w，b的下次迭代的值
costs =
for i in range(num_iterations):
grads, cost = propagate(w, b, x, y)
dw = grads["dw"]//這裡用來做什麼，不是很懂
db = grads["db"]
w = w - learning_rate*dw
b = b - learning_rate*db
if i % 100 == 0:
if print_cost and i % 100 == 0:
print ("cost after iteration %i: %f"
%(i, cost))
對結果進行**
m = x
.shape[1]
y_prediction = np.zeros((1,m))
w = w.reshape(x
.shape[0], 1)
a = sigmoid(np.dot(w.t,x)+b)
for i in range(a.shape[1]):
if a[0,i]>=0.5:
y_prediction[0,i] = 1
else:
y_prediction[0,i] = 0
assert(y_prediction.shape == (1, m))
函式命名為predict(w, b, x)
w, b = initialize_with_zeros(x_train.shape[0])
parameters, grads, costs = optimize(w, b, x_train, y_train, num_iterations, learning_rate, print_cost)
w = parameters["w"]
b = parameters["b"]
y_prediction_test = predict(w, b, x_test)
y_prediction_train = predict(w, b, x_train)
print("train accuracy: {} %".format(100 - np.mean(np.abs(y_prediction_train - y_train)) * 100))
print("test accuracy: {} %".format(100 - np.mean(np.abs(y_prediction_test - y_test)) * 100))
d =
函式命名為model(x_train, y_train, x_test, y_test, num_iterations = 2000, learning_rate = 0.5, print_cost = false)
/ 如果要訓練深度學習，網路深度，模型設計，還有資料集的製作，這些都需要仔細學習一下
吳恩達《卷積神經網路》
一 yolo algorithm 把輸入的分割成3x3個格仔或19x19個格仔，每個格仔進行檢測輸出八個特徵，3x3就輸出3x3x8個向量。yolo演算法的優點是不需要乙個演算法跑很多次。相反這是單次卷積實現，在處理計算時很多步驟都是共享的，而且執行速度非常快可以達到實時識別。物件中點的座標在哪個格...
吳恩達 卷積神經網路
卷積神經網路 卷積操作 設輸入n，filter為f，padding為p，步長 stride 為s 則卷積 不滿足結合律，滿足結合律還需要對filter進行水平和垂直翻轉 之後影象大小為 n 2p f s 1 向下取整 rgb影象卷積操作 同時相乘相加，三個channel輸出乙個值 為什麼cnn可以避...
吳恩達 卷積神經網路
1 灰度影象，邊緣檢測，使用核函式的缺點，影象的向量會不斷的縮小，另外乙個就是邊緣的向量相比於中間的向量被覆蓋的次數會少很多。解決這個的方法就是padding在影象的周圍再新增一圈向量。2 核函式通常是奇數維向量 3 卷積層，池化層 選出某一區域的最大值，另外還有 平均池化，就是求乙個小區域的均值 ...