Logistic regression with a neural network mindset, Kaka Chen

Logistic regression with a neural network mindset. 1 - Package. 2 - 问题数据集概述. 问题陈述： 给定衣柜数据集（“data.h5”）包含： 一个包含了 m_train 图片的训练集，分别被标注了是猫(y=1)或者不是猫(y=0) 一个包含了 m_test 图片的测试集，也分别被标注了是猫或者不是猫 每个图片的shape都是( num_px , num_px , 3 )，其中3表示图像有3个频道（RGB），因此每个图像都是一个正方形（ height = num_px , width = num_px ） 载入图片，在变量后加后缀 _orig 表示这是原数据，仍需要进一步处理，其中 train_set_x_orig 和 train_set_x_orig 每一行都代表了一张图片，可以通过下面的例子查看当前的图片： m_train：训练集的个数 m_test：测试集的个数 num_px：训练图像的长和宽. 为了表示一个彩色图片，，每一个像素都是一个三个值组成的向量，每个值都位于区间[0, 255]。一种常见的机器学习预处理手段是将数据集中心化和标准化，这意味着在每个例子上都减去整个numpy array的平均值，然后每个例子都除以整个numpy array的标准偏差，而对于图片数据集，就可以简单地只是将每一行除以255（一个像素通道的最大值）。 找出问题数据的维度和shape（m_train, m_test, num_px, …） 对数据集做reshape，使得其向量化(num_px * num_px * 3, 1) 标准化数据. 3 - 学习算法基本架构. 4 - 建立算法的各个部分. 定义模型类型和结构（例如输入的特征数量等） 初始化模型参数 循环： 计算当前的损失（forward propagation） 计算当前的梯度（backward propagation） 更新参数（gradient descent）