dnn_app_utils_v2.py 和 datasets

coursera的吴恩达的课编程练习所需的所需包和数据，可以方便学员自己在本地练习

import numpy as np
import matplotlib.pyplot as plt
import h5py


def sigmoid（Z）:
    “““
    Implements the sigmoid activation in numpy
    
    Arguments:
    Z -- numpy array of any shape
    
    Returns:
    A -- output of sigmoid（z） same shape as Z
    cache -- returns Z as well useful during backpropagation
    “““
    
    A = 1/（1+np.exp（-Z））
    cache = Z
    
    return A cache

def relu（Z）:
    “““
    Implement the RELU function.

    Arguments:
    Z -- Output of the linear layer of any shape

    Returns:
    A -- Post-activation parameter of the same shape as Z
    cache -- a python dictionary containing “A“ ; stored for computing the backward pass efficiently
    “““
    
    A = np.maximum（0Z）
    
    assert（A.shape == Z.shape）
    
    cache = Z 
    return A cache


def relu_backward（dA cache）:
    “““
    Implement the backward propagation for a single RELU unit.

    Arguments:
    dA -- post-activation gradient of any shape
    cache -- ‘Z‘ where we store for computing backward propagation efficiently

    Returns:
    dZ -- Gradient of the cost with respect to Z
    “““
    
    Z = cache
    dZ = np.array（dA copy=True） # just converting dz to a correct object.
    
    # When z <= 0 you should set dz to 0 as well. 
    dZ[Z <= 0] = 0
    
    assert （dZ.shape == Z.shape）
    
    return dZ

def sigmoid_backward（dA cache）:
    “““
    Implement the backward propagation for a single SIGMOID unit.

    Arguments:
    dA -- post-activation gradient of any shape
    cache -- ‘Z‘ where we store for computing backward propagation efficiently

    Returns:
    dZ -- Gradient of the cost with respect to Z
    “““
    
    Z = cache
    
    s = 1/（1+np.exp（-Z））
    dZ = dA * s * （1-s）
    
    assert （dZ.shape == Z.shape）
    
    return dZ


def load_data（）:
    train_dataset = h5py.File（‘datasets/train_catvnoncat.h5‘ “r“）
    train_set_x_orig = np.array（train_dataset[“train_set_x“][:]） # your train set features
    train_set_y_orig = np.array（train_dataset[“train_set_y“][:]） # your train set labels

    test_dataset = h5py.File（‘datasets/test_catvnoncat.h5‘ “r“）
    test_set_x_orig = np.array（test_dataset[“test_set_x“][:]） # your test set features
    test_set_y_orig = np.array（test_dataset[“test_set_y“][:]） # your test set labels

    classes = np.array（test_dataset[“list_classes“][:]） # the list of classes
    
    train_set_y_orig = train_set_y_orig.reshape（（1 train_set_y_orig.shape[0]））
    test_set_y_orig = test_set_y_orig.reshape（（1 test_set_y_orig.shape[0]））
    
    return train_set_x_orig train_set_y_orig test_set_x_orig test_set_y_orig classes


def initialize_parameters（n_x n_h n_y）:
    “““
    Argument:
    n_x -- size of the input layer
    n_h -- size of the hidden layer
    n_y -- size of the output layer
    
    Returns:
    parameters -- python dictionary containing your parameters:
                    W1 -- weight matrix of shape （n_h n_x）
                    b1 -- bias vector of shape

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2017-08-27 19:55  datasets\
     文件     2572022  2017-08-27 19:55  datasets\train_catvnoncat.h5
     文件      616958  2017-08-27 19:55  datasets\test_catvnoncat.h5
     文件       14776  2017-08-27 19:55  dnn_app_utils_v2.py