深度学习课后作业——Course1-Week2

此篇摘自*这个巨巨*，本文只是加上了自己的总结

---

• 数组相关

x[m,n]是通过numpy库引用数组或矩阵中的某一段数据集的一种写法，

m代表第m维，n代表m维中取第几段特征数据。

通常用法：x[:,n]或者x[n,:]

• np.shape

数组（矩阵）只有一个维度时，shape只有shape[0]，返回的是该一维数组（矩阵）中元素的个数，通俗点说就是返回列数，因为一维数组只有一行，一维情况中array创建的可以看做list（或一维数组），创建时用（）和[ ]都可以，多维就不可以这样子了，这里使用[ ]。

1.一维数组

2.二维数组

3.三维数组

• np.squeeze

numpy.squeeze(a,axis = None)

 1）a表示输入的数组
 2）axis用于指定需要删除的维度，但是指定的维度必须为单维度，否则将会报错
 3）axis的取值可为None 或 int 或 tuple of ints, 可选。若axis为空，则删除所有单维度的条目
 4）返回值：数组
 5) 不会修改原数组

1.一维数组 

 

2.二维数组

结论：根据上例可知，np.squeeze()函数可以删除数组形状中的单维度条目，即把shape中为1的维度去掉，但是对非单维的维度不起作用。

3.三维数组

---

我们要做的事是搭建一个能够**【识别猫】** 的简单的神经网络，你可以跟随我的步骤在Jupyter Notebook中一步步地把代码填进去，也可以直接复制完整代码，在完整代码在本文最底部。

在开始之前，我们有需要引入的库：

•     numpy ：是用Python进行科学计算的基本软件包。
•     h5py：是与H5文件中存储的数据集进行交互的常用软件包。
•     matplotlib：是一个著名的库，用于在Python中绘制图表。
•     lr_utils ：在本文的资料包里，一个加载资料包里面的数据的简单功能的库。

如果你没有以上的库，请自行安装。
lr_utils.py代码如下，你也可以自行打开它查看：

import numpy as np
import h5py
    
    
def load_dataset():
    train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r")
    train_set_x_orig = np.array(train_dataset["train_set_x"][:]) # your train set features
    train_set_y_orig = np.array(train_dataset["train_set_y"][:]) # your train set labels

    test_dataset = h5py.File('datasets/test_catvnoncat.h5', "r")
    test_set_x_orig = np.array(test_dataset["test_set_x"][:]) # your test set features
    test_set_y_orig = np.array(test_dataset["test_set_y"][:]) # your test set labels

    classes = np.array(test_dataset["list_classes"][:]) # the list of classes
    
    train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
    test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0]))
    
    return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes

解释以下上面的load_dataset() 返回的值的含义：

•     train_set_x_orig ：保存的是训练集里面的图像数据（本训练集有209张64x64的图像）。
•     train_set_y_orig ：保存的是训练集的图像对应的分类值（【0 | 1】，0表示不是猫，1表示是猫）。
•     test_set_x_orig ：保存的是测试集里面的图像数据（本训练集有50张64x64的图像）。
•     test_set_y_orig ： 保存的是测试集的图像对应的分类值（【0 | 1】，0表示不是猫，1表示是猫）。
•     classes ： 保存的是以bytes类型保存的两个字符串数据，数据为：[b’non-cat’ b’cat’]。

下面是主程序：