吴恩达老师深度学习第二课第二周2-2资源文件opt_utils.py，testCases.py

包含：opt_utils.py，testCases.py，......亲测可用！

# -*- coding: utf-8 -*-

import numpy as np
import matplotlib.pyplot as plt
import sklearn
import sklearn.datasets

def sigmoid（x）:
    “““
    Compute the sigmoid of x
 
    Arguments:
    x -- A scalar or numpy array of any size.
 
    Return:
    s -- sigmoid（x）
    “““
    s = 1/（1+np.exp（-x））
    return s
 
def relu（x）:
    “““
    Compute the relu of x
 
    Arguments:
    x -- A scalar or numpy array of any size.
 
    Return:
    s -- relu（x）
    “““
    s = np.maximum（0x）
    
    return s


def load_params_and_grads（seed=1）:
    np.random.seed（seed）
    W1 = np.random.randn（23）
    b1 = np.random.randn（21）
    W2 = np.random.randn（33）
    b2 = np.random.randn（31）
 
    dW1 = np.random.randn（23）
    db1 = np.random.randn（21）
    dW2 = np.random.randn（33）
    db2 = np.random.randn（31）
    
    return W1 b1 W2 b2 dW1 db1 dW2 db2
    
def initialize_parameters（layer_dims）:
    “““
    Arguments:
    layer_dims -- python array （list） containing the dimensions of each layer in our network
    
    Returns:
    parameters -- python dictionary containing your parameters “W1“ “b1“ ... “WL“ “bL“:
                    W1 -- weight matrix of shape （layer_dims[l] layer_dims[l-1]）
                    b1 -- bias vector of shape （layer_dims[l] 1）
                    Wl -- weight matrix of shape （layer_dims[l-1] layer_dims[l]）
                    bl -- bias vector of shape （1 layer_dims[l]）
                    
    Tips:
    - For example: the layer_dims for the “Planar Data classification model“ would have been [221]. 
    This means W1‘s shape was （22） b1 was （12） W2 was （21） and b2 was （11）. Now you have to generalize it!
    - In the for loop use parameters[‘W‘ + str（l）] to access Wl where l is the iterative integer.
    “““
    
    np.random.seed（3）
    parameters = {}
    L = len（layer_dims） # number of layers in the network
 
    for l in range（1 L）:
        parameters[‘W‘ + str（l）] = np.random.randn（layer_dims[l] layer_dims[l-1]）*  np.sqrt（2 / layer_dims[l-1]）
        parameters[‘b‘ + str（l）] = np.zeros（（layer_dims[l] 1））
        
        assert（parameters[‘W‘ + str（l）].shape == layer_dims[l] layer_dims[l-1]）
        assert（parameters[‘W‘ + str（l）].shape == layer_dims[l] 1）
        
    return parameters
    
def forward_propagation（X parameters）:
    “““
    Implements the forward propagation （and computes the loss） presented in Figure 2.
    
    Arguments:
    X -- input dataset of shape （input size number of examples）
    parameters -- python dictionary containing your parameters “W1“ “b1“ “W2“ “b2“ “W3“ “b3“:
                    W1 -- weight matrix of shape （）
                    b1 -- bias vector of shape （）
                    W2 -- weight matrix of shape （）
                    b2 -- bias vector of shape （）
                    W3 -- weight matrix of shape （）
                    b3 -- bias vector of sha

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        3259  2018-04-10 19:51  testCases.py
     文件        7707  2018-04-11 21:41  opt_utils.py