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
相关推荐
缘华工业智维4 小时前
工业设备预测性维护:能源成本降低的“隐藏钥匙”?
大数据·网络·人工智能
DooTask官方号5 小时前
跨语言协作新范式:阿里云Qwen-MT与DooTask的翻译技术突破
人工智能·ai·项目管理·机器翻译·dootask
凯禾瑞华养老实训室6 小时前
聚焦生活照护能力培育:老年生活照护实训室建设清单的模块设计与资源整合
大数据·人工智能·科技·ar·vr·智慧养老·智慧健康养老服务与管理
倔强青铜三6 小时前
苦练Python第64天:从零掌握多线程,threading模块全面指南
人工智能·python·面试
格林威6 小时前
偏振相机是否属于不同光谱相机的范围内
图像处理·人工智能·数码相机·计算机视觉·视觉检测·工业相机
A-大程序员6 小时前
【pytorch】合并与分割
人工智能·pytorch·深度学习
AI新兵7 小时前
AI大事记12:Transformer 架构——重塑 NLP 的革命性技术(上)
人工智能·自然语言处理·transformer
Dongsheng_20198 小时前
【汽车篇】AI深度学习在汽车零部件外观检测——刹车片中的应用
人工智能·汽车
LONGZETECH8 小时前
【龙泽科技】汽车转向悬架与制动安全系统技术1+X仿真教学软件(1.2.3 -初级)
人工智能·科技·汽车·汽车仿真教学软件·汽车教学软件
JAVA学习通8 小时前
PostgreSQL 的 hstore、arrays 数据类型
人工智能·自然语言处理