网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
需要这份系统化的资料的朋友，可以添加戳这里获取
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
目录
【实验目标】
【实验内容】
【数据集介绍】
1.datasets/train_catvnoncat.h5
2.datasets/ test_catvnoncat.h5
3.lr_utils.py中有加载数据集的函数
【代码要求】
定义模型结构
初始化模型的参数
循环
计算当前损失（前向传播）
计算当前梯度（反向传播）
更新参数（梯度下降）
【文档要求】
1.尝试不同的学习率（至少三种），观察不同学习率下随着迭代次数的增加损失值的变化
2.分析不同的学习率对模型准确率的影响及原因，如何选择合适的学习率。
【实验目标】
- 基于作业二的拓展，进一步理解神经网络的思想
- 理解逻辑回归实际上是一个非常简单的神经网络
【实验内容】
建立Logistic回归分类器用来识别猫。参考1 和 参考2
【数据集介绍】
1.datasets/train_catvnoncat.h5
保存的是训练集里面的图像数据（本训练集有209张64x64的图像）及对应的分类值（0或1，0表示不是猫，1表示是猫）
2.datasets/ test_catvnoncat.h5
保存的是测试集里面的图像数据（本训练集有50张64x64的图像）及保存的是以bytes类型保存的两个字符串数据，数据为：[b’non-cat’ b’cat’]。
3.lr_utils.py中有加载数据集的函数
【代码要求】
-
定义模型结构
-
初始化模型的参数
-
循环
-
计算当前损失（前向传播）
-
计算当前梯度（反向传播）
-
更新参数（梯度下降）
import numpy as np import matplotlib.pyplot as plt import h5py from lr_utils import load_dataset train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset() m_train = train_set_y.shape[1] m_test = test_set_y.shape[1] num_px = train_set_x_orig.shape[1] print("训练集的数量: m_train = " + str(m_train)) print("测试集的数量 : m_test = " + str(m_test)) print("每张图片的宽/高 : num_px = " + str(num_px)) print("每张图片的大小 : (" + str(num_px) + ", " + str(num_px) + ", 3)") print("训练集_图片的维数 : " + str(train_set_x_orig.shape)) print("训练集_标签的维数 : " + str(train_set_y.shape)) print("测试集_图片的维数: " + str(test_set_x_orig.shape)) print("测试集_标签的维数: " + str(test_set_y.shape)) # 将训练集的维度降低并转置。 train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T # 将测试集的维度降低并转置。 test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T print("训练集降维最后的维度： " + str(train_set_x_flatten.shape)) print("训练集_标签的维数 : " + str(train_set_y.shape)) print("测试集降维之后的维度: " + str(test_set_x_flatten.shape)) print("测试集_标签的维数 : " + str(test_set_y.shape)) index = 11 plt.imshow(train_set_x_orig[index]) print("y = " + str(train_set_y[:, index]) + ", it's a '" + classes[np.squeeze(train_set_y[:, index])].decode( "utf-8") + "' picture.") train_set_x = train_set_x_flatten / 255 test_set_x = test_set_x_flatten / 255 def sigmoid(z): s = 1 / (1 + np.exp(-z)) return s def initialize_with_zeros(dim): w = np.zeros(shape=(dim, 1)) b = 0 # 使用断言来确保我要的数据是正确的 assert (w.shape == (dim, 1)) # w的维度是(dim,1) assert (isinstance(b, float) or isinstance(b, int)) # b的类型是float或者是int return (w, b) def propagate(w, b, X, Y): m = X.shape[1] # 正向传播 A = sigmoid(np.dot(w.T, X) + b) cost = (- 1 / m) * np.sum(Y * np.log(A) + (1 - Y) * (np.log(1 - A))) # 反向传播 dw = (1 / m) * np.dot(X, (A - Y).T) db = (1 / m) * np.sum(A - Y) # 使用断言确保我的数据是正确的 assert (dw.shape == w.shape) assert (db.dtype == float) cost = np.squeeze(cost) assert (cost.shape == ()) # 创建一个字典，把dw和db保存起来。 grads = { "dw": dw, "db": db } return (grads, cost) def optimize(w, b, X, Y, num_iterations, learning_rate, print_cost=False): costs = [] for i in range(num_iterations): grads, cost = propagate(w, b, X, Y) dw = grads["dw"] db = grads["db"] w = w - learning_rate * dw b = b - learning_rate * db # 记录成本 if i % 100 == 0: costs.append(cost)    **既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！** **由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新** **[如果你需要这些资料，可以戳这里获取](https://bbs.csdn.net/topics/618658159)** 33982)] **既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！** **由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新** **[如果你需要这些资料，可以戳这里获取](https://bbs.csdn.net/topics/618658159)**
