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
白熊1881 分钟前
【计算机视觉】CV实战项目- DFace: 基于深度学习的高性能人脸识别
人工智能·深度学习·计算机视觉
layneyao3 分钟前
自动驾驶L4级技术落地:特斯拉、Waymo与华为的路线之争
人工智能·华为·自动驾驶
訾博ZiBo4 分钟前
AI日报 - 2025年04月30日
人工智能
毒果9 分钟前
深度学习大模型: AI 阅卷替代人工阅卷
人工智能·深度学习
吾日三省吾码19 分钟前
GitHub Copilot (Gen-AI) 很有用,但不是很好
人工智能·github·copilot
一颗橘子宣布成为星球34 分钟前
Unity AI-使用Ollama本地大语言模型运行框架运行本地Deepseek等模型实现聊天对话(一)
人工智能·unity·语言模型·游戏引擎
南 阳1 小时前
从微服务到AI服务:Nacos 3.0如何重构下一代动态治理体系?
人工智能·微服务·云原生·重构
fmingzh1 小时前
NVIDIA高级辅助驾驶安全与技术读后感
人工智能·安全·自动驾驶
qsmyhsgcs2 小时前
Java程序员转人工智能入门学习路线图(2025版)
java·人工智能·学习·机器学习·算法工程师·人工智能入门·ai算法工程师
A林玖2 小时前
【机器学习】朴素贝叶斯
人工智能·算法·机器学习