吴恩达老师深度学习课程作业用到的资源文件testCases_v2和planar_utils

第一课第三周浅层神经网络编程作业，两个文件，亲测可用！

# -*- coding: utf-8 -*-
“““
Created on Sun Apr 15 22:34:06 2018

@author: StephenGai
“““
import matplotlib.pyplot as plt  
import numpy as np  
import sklearn  
import sklearn.datasets  
import sklearn.linear_model  
  
def load_planar_dataset（）:  
    np.random.seed（1）  
    m = 400  # number of examples  
    N = int（m / 2）  # number of points per class  
    D = 2  # dimensionality  
    X = np.zeros（（m D））  # data matrix where each row is a single example  
    Y = np.zeros（（m 1） dtype=‘uint8‘）  # labels vector （0 for red 1 for blue）  
    a = 4  # maximum ray of the flower  
  
    for j in range（2）:
        ix = range（N * j N * （j + 1））  
        t = np.linspace（j * 3.12 （j + 1） * 3.12 N） + np.random.randn（N） * 0.2  # theta  
        r = a * np.sin（4 * t） + np.random.randn（N） * 0.2  # radius  
        X[ix] = np.c_[r * np.sin（t） r * np.cos（t）]
        Y[ix] = j  
  
    X = X.T  
    Y = Y.T  
    return X Y  

def plot_decision_boundary（model X y）:  
    # Set min and max values and give it some padding  
    x_min x_max = X[0 :].min（） - 1 X[0 :].max（） + 1  
    y_min y_max = X[1 :].min（） - 1 X[1 :].max（） + 1  
    h = 0.01  
    # Generate a grid of points with distance h between them  
    xx yy = np.meshgrid（np.arange（x_min x_max h） np.arange（y_min y_max h））  
    # Predict the function value for the whole grid  
    Z = model（np.c_[xx.ravel（） yy.ravel（）]）
    Z = Z.reshape（xx.shape）  
    # Plot the contour and training examples  
    plt.contourf（xx yy Z cmap=plt.cm.Spectral）
    plt.ylabel（‘x2‘）  
    plt.xlabel（‘x1‘）  
    plt.scatter（X[0 :] X[1 :] c=y[0 :] cmap=plt.cm.Spectral）  
  
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 load_extra_datasets（）:  
    N = 200  
    noisy_circles = sklearn.datasets.make_circles（n_samples=N factor=.5 noise=.3）  
    noisy_moons = sklearn.datasets.make_moons（n_samples=N noise=.2）  
    blobs = sklearn.datasets.make_blobs（n_samples=N random_state=5 n_features=2 centers=6）  
    gaussian_quantiles = sklearn.datasets.make_gaussian_quantiles（mean=None cov=0.5 n_samples=N n_features=2 n_classes=2 shuffle=True random_state=None）  
    no_structure = np.random.rand（N 2） np.random.rand（N 2）  
  
    return noisy_circles noisy_moons blobs gaussian_quantiles no_structure  

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        4767  2018-04-17 12:12  testCases_v2.py
     文件        2551  2018-04-17 20:38  planar_utils.py