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