资源简介
神经网络与深度学习(吴恩达)第三周编程练习重新上传
代码片段和文件信息
import numpy as np
import h5py
import matplotlib.pyplot as plt
from testCases_v2 import *
from dnn_app_utils_v2 import sigmoidsigmoid_backwardrelurelu_backward
plt.rcParams[‘figure.figsize‘]=(5.04.0)
plt.rcParams[‘image.interpolation‘]=‘nearest‘
plt.rcParams[‘image.cmap‘]=‘gray‘
np.random.seed(1)
def initialize_parameters(n_xn_hn_y):
W1=np.random.randn(n_hn_x)*0.01
b1=np.zeros((n_h1))
W2=np.random.randn(n_yn_h)*0.01
b2=np.zeros((n_y1))
parameters={‘W1‘:W1
‘b1‘:b1
‘W2‘:W2
‘b2‘:b2}
return parameters
def initialize_parameters_deep(layer_dims):
np.random.seed(3)
parameters={}
L=len(layer_dims)
for l in range(1L):
parameters[‘W‘+str(l)]=np.random.randn(layer_dims[l]layer_dims[l-1])*0.01
parameters[‘b‘+str(l)]=np.zeros([layer_dims[l]1])
return parameters
def linear_forward(AWb):
Z=np.dot(WA)+b
cache=(AWb)
return Zcache
def linear_activation_forward(A_prevWbactivation):
if activation==‘sigmoid‘:
Zlinear_cache=linear_forward(A_prevWb)
Aactivation_cache=sigmoid(Z)
elif activation==‘relu‘:
Zlinear_cache=linear_forward(A_prevWb)
Aactivation_cache=relu(Z)
cache=(linear_cacheactivation_cache)
return Acache
def L_model_forward(Xparameters):
caches=[]
A=X
L=int(len(parameters)/2)
for l in range(1L):
A_prev=A
Acache=linear_activation_forward(Aparameters[‘W‘+str(l)]parameters[‘b‘+str(l)]‘relu‘)
caches.append(cache)
ALcache=linear_activation_forward(Aparameters[‘W‘+str(L)]parameters[‘b‘+str(L)]‘sigmoid‘)
caches.append(cache)
return ALcaches
def computer_cost(ALY):
m=Y.shape[1]
cost=(-1/m)*np.sum(np.multiply(Ynp.log(AL))+np.multiply((1-Y)np.log(1-AL)))
cost=np.squeeze(cost)
return cost
def linear_backward(dZcache):
A_prevWb=cache
m=A_prev.shape[1]
dW=np.dot(dZA_prev.T)/m
db=np.sum(dZ)/m
dA_prev=np.dot(W.TdZ)
return dA_prevdWdb
def linear_activation_backward(dAcacheactivation):
linear_cacheactivation_cache=cache
if activation==‘relu‘:
dZ=relu_backward(dAactivation_cache)
dA_prevdWdb=linear_backward(dZlinear_cache)
elif activation==‘sigmoid‘:
dZ=sigmoid_backward(dAactivation_cache)
dA_prevdWdb=linear_backward(dZlinear_cache)
return dA_prevdWdb
def L_model_backward(ALYcaches):
grads={}
L=len(caches)
m=AL.shape[1]
Y=Y.reshape(AL.shape)
dAL=-(np.divide(YAL)-np.divide(1-Y1-AL))
current_cache=caches[L-1]
grads[‘dA‘+str(L)]grads[‘dW‘+str(L)]grads[‘db‘+str(L)]=linear_activation_backward(dALcurrent_cache‘sigmoid‘)
for l in reversed(range(L-1)):
current_cache=caches[l]
dA_prev_tempdW_tempdb_temp=linear_activation_backward(grads[
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
目录 0 2017-11-02 07:45 NeuralNetwork_3\
文件 2572022 2017-10-25 02:21 NeuralNetwork_3\train_catvnoncat.h5
文件 616958 2017-10-25 02:21 NeuralNetwork_3\test_catvnoncat.h5
文件 3504 2017-10-25 03:06 NeuralNetwork_3\demo3.py
文件 15596 2017-10-25 03:26 NeuralNetwork_3\dnn_app_utils_v2.py
文件 4547 2017-10-25 03:36 NeuralNetwork_3\demo4.py
文件 0 2017-11-02 08:04 NeuralNetwork_3\asfa
目录 0 2017-11-02 07:33 NeuralNetwork_3\.vscode\
文件 1051 2017-11-02 07:33 NeuralNetwork_3\.vscode\launch.json
目录 0 2017-11-09 08:10 NeuralNetwork_3\images\
文件 1609 2017-10-25 03:33 NeuralNetwork_3\images\my_image.jpg
目录 0 2017-11-08 12:28 NeuralNetwork_3\datasets\
文件 616958 2017-10-25 01:56 NeuralNetwork_3\datasets\test_catvnoncat.h5
文件 0 2017-11-08 12:28 NeuralNetwork_3\datasets\demo.c
文件 2572022 2017-10-25 01:53 NeuralNetwork_3\datasets\train_catvnoncat.h5
目录 0 2017-10-25 03:26 NeuralNetwork_3\__pycache__\
文件 13517 2017-10-25 03:26 NeuralNetwork_3\__pycache__\dnn_app_utils_v2.cpython-36.pyc
文件 5983 2017-10-24 06:33 NeuralNetwork_3\__pycache__\testCases_v2.cpython-36.pyc
文件 3714 2017-10-25 01:48 NeuralNetwork_3\__pycache__\demo3.cpython-36.pyc
- 上一篇:地理加权回归
- 下一篇:速盘SpeedPanv2.0.8.178_XP.zip
相关资源
- 基于深度学习的语音识别
- 深度学习基础教程资源汇总
- 基于深度学习的刀具磨损状态监测技
- 基于深度学习和强化学习的车辆定位
- Deep Learning with PyTorch 完整版
- Keras图像深度学习实战原版
- 基于深度学习的图像去噪算法研究.
- TENSORRT 轻松部署高性能DNN推理
- 基于深度学习的图像语义分割算法综
- rcnn、fast rcnn、faster rcnn和yolo的算法原
- caffe深度学习薛开宇笔记-基于卷积神
- Deep Learning Cookbook
- 人工智能及其应用第4版
- 斯坦福UFLDL深度学习课程翻译版合集
- deep learning (Bengio大作:深度学习中文
- 机器学习—吴恩达中文版pdf
- 基于机器视觉和深度学习的目标识别
- 深度学习在医学图像识别中的研究
- 基于深度学习的脑电信号研究
- 基于深度学习的车牌识别
- Neural Network and Deep Learning神经网络与深
- 吴恩达机器学习课程讲义_中文版
- 神经网络与深度学习(Neural Networks
- 深度学习与计算机视觉.zip
- 基于深度学习的目标检测研究进展
- 国外近十年深度学习的研究现状与发
-
中文翻译 SphereFace Deep Hypersphere em
- DeepWalk.pptx
- 基于深度学习LSTM网络的短期电力负荷
- 深度学习在MR膝关节软骨图像中的分割
评论
共有 条评论