吴恩达老师代码本地运行BUG修正(1)

吴恩达深度学习第一课第三周单隐层神经网络实现,相关文件、数据集下载以及bug修改心得 最近在学习吴恩达老师深度学习的课程,实现了单隐藏层神经网络的实现,现在将自己在编程过程中遇到的问题记录下。 先将需要用到文件的分享 链接:https://pan.baidu.com/s/148VvXV-SWW-PrFS7mVK_oA 密码:rkk7 导入需要的库 import numpy as np #Python绘制图形的库 import matplotlib.pyplot as plt #te... 阅读详情
AI摘要

文章讲述了在使用SupervisedMachineLearning中的Regression和Classification时,在JupyterNotebook遇到的Matplotlib动态图片无法显示的问题,以及如何通过正确安装和配置matplotlib库,从`%matplotlibwidget`切换到`%matplotlibinline`以解决静态图片显示,并介绍了如何启用ipywidgets以支持动态交互功能。

#Supervised Machine Learning Regression and Classification/Week1/Regression Medel/C1_W1_Lab04_Cost_function_Soln.ipynb

注意:官方运行环境:py3.7

           本文运行环境:py3.8

           其他版本的py可以作为一个参考

1、需要的Package

numpy

matplotlib

(注意:在Jupyter Notebook的Terminal中使用command进行matplotlib的下载会得到一个名叫matplotlib-inline的Package,这个包与matplotlib的区别可以参考这篇文章,在Anaconda Prompt中使用 pip install matplotlib可以的到matplotlib库)

2、动态图片无法显示的问题

       在吴老师的代码中有这么一段:

%matplotlib widget

        此处使用的是一个魔法函数,详情参考文章。

        这段在使用的时候会产生一个报错:

      (这是只用matplotlib-inline库的报错,之后的代码也无法运行,所以事前下载库的时候留意下的是matplotlib)

ImportError                               Traceback (most recent call last)
Cell In[3], line 2
      1 import numpy as np
----> 2 get_ipython().run_line_magic('matplotlib', 'widget')
      3 import matplotlib.pyplot as plt
      4 from lab_utils_uni import plt_intuition, plt_stationary, plt_update_onclick, soup_bowl

File D:\Environment\ANACONDA\envs\Torch\lib\site-packages\IPython\core\interactiveshell.py:2417, in InteractiveShell.run_line_magic(self, magic_name, line, _stack_depth)
   2415     kwargs['local_ns'] = self.get_local_scope(stack_depth)
   2416 with self.builtin_trap:
-> 2417     result = fn(*args, **kwargs)
   2419 # The code below prevents the output from being displayed
   2420 # when using magics with decodator @output_can_be_silenced
   2421 # when the last Python token in the expression is a ';'.
   2422 if getattr(fn, magic.MAGIC_OUTPUT_CAN_BE_SILENCED, False):

File D:\Environment\ANACONDA\envs\Torch\lib\site-packages\IPython\core\magics\pylab.py:99, in PylabMagics.matplotlib(self, line)
     97     print("Available matplotlib backends: %s" % backends_list)
     98 else:
---> 99     gui, backend = self.shell.enable_matplotlib(args.gui.lower() if isinstance(args.gui, str) else args.gui)
    100     self._show_matplotlib_backend(args.gui, backend)

File D:\Environment\ANACONDA\envs\Torch\lib\site-packages\IPython\core\interactiveshell.py:3588, in InteractiveShell.enable_matplotlib(self, gui)
   3567 def enable_matplotlib(self, gui=None):
   3568     """Enable interactive matplotlib and inline figure support.
   3569 
   3570     This takes the following steps:
   (...)
   3586         display figures inline.
   3587     """
-> 3588     from matplotlib_inline.backend_inline import configure_inline_support
   3590     from IPython.core import pylabtools as pt
   3591     gui, backend = pt.find_gui_and_backend(gui, self.pylab_gui_select)

File D:\Environment\ANACONDA\envs\Torch\lib\site-packages\matplotlib_inline\__init__.py:1
----> 1 from . import backend_inline, config  # noqa
      2 __version__ = "0.1.6"

File D:\Environment\ANACONDA\envs\Torch\lib\site-packages\matplotlib_inline\backend_inline.py:6
      1 """A matplotlib backend for publishing figures via display_data"""
      3 # Copyright (c) IPython Development Team.
      4 # Distributed under the terms of the BSD 3-Clause License.
----> 6 import matplotlib
      7 from matplotlib import colors
      8 from matplotlib.backends import backend_agg

File D:\Environment\ANACONDA\envs\Torch\lib\site-packages\matplotlib\__init__.py:156
    152 from packaging.version import parse as parse_version
    154 # cbook must import matplotlib only within function
    155 # definitions, so it is safe to import from it here.
--> 156 from . import _api, _version, cbook, _docstring, rcsetup
    157 from matplotlib.cbook import sanitize_sequence
    158 from matplotlib._api import MatplotlibDeprecationWarning

File D:\Environment\ANACONDA\envs\Torch\lib\site-packages\matplotlib\rcsetup.py:27
     25 from matplotlib import _api, cbook
     26 from matplotlib.cbook import ls_mapper
---> 27 from matplotlib.colors import Colormap, is_color_like
     28 from matplotlib._fontconfig_pattern import parse_fontconfig_pattern
     29 from matplotlib._enums import JoinStyle, CapStyle

File D:\Environment\ANACONDA\envs\Torch\lib\site-packages\matplotlib\colors.py:56
     54 import matplotlib as mpl
     55 import numpy as np
---> 56 from matplotlib import _api, _cm, cbook, scale
     57 from ._color_data import BASE_COLORS, TABLEAU_COLORS, CSS4_COLORS, XKCD_COLORS
     60 class _ColorMapping(dict):

File D:\Environment\ANACONDA\envs\Torch\lib\site-packages\matplotlib\scale.py:22
     20 import matplotlib as mpl
     21 from matplotlib import _api, _docstring
---> 22 from matplotlib.ticker import (
     23     NullFormatter, ScalarFormatter, LogFormatterSciNotation, LogitFormatter,
     24     NullLocator, LogLocator, AutoLocator, AutoMinorLocator,
     25     SymmetricalLogLocator, AsinhLocator, LogitLocator)
     26 from matplotlib.transforms import Transform, IdentityTransform
     29 class ScaleBase:

File D:\Environment\ANACONDA\envs\Torch\lib\site-packages\matplotlib\ticker.py:138
    136 import matplotlib as mpl
    137 from matplotlib import _api, cbook
--> 138 from matplotlib import transforms as mtransforms
    140 _log = logging.getLogger(__name__)
    142 __all__ = ('TickHelper', 'Formatter', 'FixedFormatter',
    143            'NullFormatter', 'FuncFormatter', 'FormatStrFormatter',
    144            'StrMethodFormatter', 'ScalarFormatter', 'LogFormatter',
   (...)
    150            'MultipleLocator', 'MaxNLocator', 'AutoMinorLocator',
    151            'SymmetricalLogLocator', 'AsinhLocator', 'LogitLocator')

File D:\Environment\ANACONDA\envs\Torch\lib\site-packages\matplotlib\transforms.py:49
     46 from numpy.linalg import inv
     48 from matplotlib import _api
---> 49 from matplotlib._path import (
     50     affine_transform, count_bboxes_overlapping_bbox, update_path_extents)
     51 from .path import Path
     53 DEBUG = False

ImportError: DLL load failed while importing _path: 找不到指定的模块。

Problem Statement

   (使用matplotlib库时出现的BUG:动态图片无法显示)

        在运行:

plt_intuition(x_train,y_train)

        会出现以下错误:

        这里结合上面提到的文章可以将显示动画的

%matplotlib widget

        改为:

%matplotlib inline

        图片将可以显示,结果如下:

        接下来的图片也都不会出现问题了。

#咳咳

更新一下由于使用%matplotlib inline无法进行动态互动,再次经过摸索发现,使用widget需要几个前提条件:

(注意:一下库的安装均需要在jupyter notebook的Terminal中进行)

1、安装ipywidgets

pip install ipywidgets

2、安装widgetsnbextension

pip install widgetsnbextension

3、启用ipywidgets拓展!!!这步很重要

jupyter nbextension enable --py widgetsnbextension

        之后%matplotlib widgets就可以正常使用了,这里就可以进行互动了。

参考此处

OpenAI Codex 实战指南:从零掌握 AI 编程助手,提升开发效率 最近在尝试将 AI 编程助手集成到日常开发工作流中,发现很多教程要么过于零散,要么直接丢给你一堆命令,对于新手来说理解成本很高。直到我系统性地学习了吴恩达老师关于 Codex 的讲解,才真正体会到什么叫“手把手教学”——他把复杂的 AI 编程工具拆解成一个个清晰的步骤,从核心概念到实战操作,再到避坑指南,几乎覆盖了从入门到精通的全部路径。这种教学方式,确实能让我们少走很多弯路。 本文就将结合吴恩达老师的讲解思路,为你呈现一份关于 OpenAI Codex 的完整实战指南。无论你是刚接触编程的新手,还是希望提 阅读详情

相关推荐

AI工程师实战能力成长路线图:从代码执行者到系统翻译官

AI工程师并非单纯掌握算法或框架的技术角色,而是在数学模型、工程系统与业务需求之间实现精准翻译的复合型人才。其核心能力始于扎实的工程化基础——如Docker容器封装、API稳定性保障与GPU资源监控;进阶于对模型原理的穿透式理解,例如Attention机制的矩阵运算本质与特征分布偏移的归因逻辑;最终落脚于行业级落地能力,涵盖金融风控的低延迟约束、医疗影像的小样本可解释性设计、工业质检的边缘部署适配等真实挑战。这种‘L1基石层→L4业务翻译层’的四层能力结构,决定了AI工程的价值重心不在调参深度,而在系统鲁棒

anjueci1221的博客 452

吴恩达机器学习optional lab中使用Jupyter notebook遇到的问题及解决方法

均不管用,仍然有此报错。方法三、pip安装插件。

qq_41692866的博客 4408

解决com.kingbase8.util.KSQLException: This _connection has been closed.

一个消息管理系统,系统采用kingbase8数据库,数据库采用单体模式,后台应用也采用springboot单体模式。系统正式上线后,出现几个JDBC响应的异常信息: com.kingbase8.util.KSQLException: An I/O error occurred while sending to the backend. java.net.SocketTimeoutException: Read timed out.

qq_38127559的博客 2756

在学习吴恩达机器学习课程中遇到的一些问题

这一切一切的原因可能都是因为我们使用的是jupyter notebook,而教程里使用的是jupyter lab,在我更换了jupyter lab运行这些代码之后,就没有这么些麻烦事了可以直接运行如图:jupyter lab。

ttyykx的博客 4664

ADS实战指南:负载牵引(Loadpull)在射频功放设计中的关键应用

本文深入解析了负载牵引(Loadpull)技术在射频功率放大器设计中的核心作用与实战方法。通过生动的比喻和详细的ADS软件操作指南,阐述了如何通过系统扫描负载阻抗,在史密斯圆图上绘制等功率线与等效率线,从而精准找到最优阻抗点,以平衡输出功率与效率,是应对5G等现代通信系统严苛要求的必备技能。

weixin_29198045的博客 601

ROS2+PYTHON VENV虚拟环境配置方法

ROS2+PYTHON VENV配置方法本篇针对的是python。

下雨夏云的博客 555

Optional Lab: Cost Function(Squared Error Cost Function)

吴恩达机器学习optional lab cost_function_soln

gravity_w的博客 1213

Vue3项目实战:CKEditor5富文本编辑器从安装到隐藏不需要的功能

本文详细介绍了在Vue3项目中集成并深度定制CKEditor5富文本编辑器的完整流程。通过分析其模块化架构,指导开发者从标准构建出发,移除图片、表格等冗余插件,创建专属轻量构建,从而显著减小打包体积并提升用户体验。文章结合实战代码,涵盖了环境搭建、自定义构建配置、高级优化技巧等关键步骤。

weixin_29016833的博客 283

%matplotlib widget报错

(2)重新启动Jupyter Notebook。关闭所有Notebook和终端窗口,并重新打开。最近正在学习吴恩达机器学习内容,实验时遇到%matplotlib widget报错,显示get_ipython().run_line_magic('matplotlib', 'widget')(1)确保已经安装了ipywidgets和widgetsnbextension库。1.将%matplotlib widget改为%matplotlib notebook。2.启用ipywidgets扩展。

m0_53051420的博客 5275

避坑指南:ROS2 Humble摄像头标定常见错误排查(从‘CALIBRATE’按钮不变绿到保存文件找不到)

本文详细解析了ROS2 Humble环境下摄像头标定的常见问题及解决方案,从CALIBRATE按钮不变绿到标定文件保存失败等疑难杂症。提供硬件准备、参数设置、实时诊断到结果验证的全流程指导,特别针对Ubuntu2204系统和usb_cam驱动的兼容性问题给出实用建议,帮助开发者高效完成内参标定。

weixin_29193359的博客 398

基于DINO自监督学习对YOLO11 Backbone进行预训练

这PoolHead将获取前一层的输出并应用卷积,然后应用自适应平均池化以将特征图的空间维度减小为固定且一致的大小(1x1)。这是必需的,因为否则空间维度会根据输入的大小而变化,这将使将 DINO 头部附加到主干变得困难,因为它需要固定的输入大小。在本指南中,我们将介绍如何使用 Lightly 使用 DINO 预训练 YOLO 11主干,以及如何将其重新加载到 Ultralytics 中进行微调。您可以使用不同的大小,例如,640这与 YOLO 中的默认图像大小更一致,但它也会在训练期间消耗更多 VRAM。

如果想成为中心,那么就到中心去吧。 1014

python异常

try: #引发异常的代码 excep (异常类1,异常类2,...,异常类n) as 异常值: #捕作异常后,执行此语句块,没捕作到向上传播,直到主程序终止并显示跟踪消息 else: #try下语句块没有异常错误,执行此语句块 finally: #不管有没有引发异常,ecpect有没有捕作到异常,都执行此语句块 不能有try....else...组合,其它都行 except Excepti...

张行者 1270

【系统架构设计师】预测试卷一:综合知识(75道选择题)

软件架构风格是描述某一特定应用领域中系统组织方式的惯用模式,架构风格反映领域中众多系统所共有的结构和 (48),强调对架构(49)的重用。 (48) A. 语义特性 B. 功能需求 C. 质量属性 D. 业务规则 (49) A. 分析 B. 设计 C.实现

数据知道的博客 7766

吴恩达老师代码本地运行BUG修正(2)

吴恩达老师代码按照(1)中修改方式widget在其他文件中无法使用问题修正

loading__1的博客 1354

IMEI引起的无法驻网问题

问题不复杂,场景很简单,如上图,UE在进行LTE attach过程时,在送完NAS security mode complete后,就立刻收到了网络attach reject 带cause 6 Illegal ME,根据协议描述这个cause 代表ME不被网络可接受,例如ME在禁止名单或者黑名单中就会有这种cause。然而前方在报这个问题的时候,也是知道SIM卡和手机IMEI在运营商那边没能成功绑定,然后才报的问题,要查看手机是不是有问题...... 告诉前方原因后,还认为是手机问题,告知要继续查。

asd199086的博客 1425

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

难倒吴恩达的LLM评估,有解吗?

吴恩达在人工智能领域,评估模型性能和输出质量一直是一个重要且复杂的问题。随着大规模语言模型(LLM)的广泛应用,如何有效评估这些模型的输出变得尤为关键。本文将探讨吴恩达来信中提出的LLM-as-a-Judge的困境,并介绍LangSmith和OpenAI在这一领域的前沿研究和解决方案。本系列合集,点击链接查看吴恩达提出L...

weixin_41284420的博客 280

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

吴恩达老师深度学习专项学习笔记

(一)神经网络与深度学习 一、概论 神经网络: 神经元:◯表示非线性函数 神经网络:像乐高积木一样堆叠神经元 用神经网络进行监督学习(目前神经网络的落地方向比较成熟) 结构化数据(海量数据, 广告,赚钱) 非结构化数据(图片、语音) 为什么兴起 数据变多,计算机,算法 二、神经网络基础 符号标记 logistic 回归 回顾之前学习内容:参考线性回归: hθ(x)=g(θTx)sigmoid函数:g(z)=11+e−z h_\theta(x)=g(\theta^Tx)\\sigmoid函数:

qq_38908130的博客 757

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

吴恩达《神经网络与深度学习》第一周精要:从房价预测初探深度学习核心原理

本文提炼了吴恩达《神经网络与深度学习》第一周的核心内容,通过房价预测案例解析深度学习基本原理。从单神经元ReLU函数实现到多层网络结构设计,结合监督学习框架与Python代码示例,揭示神经网络处理非线性关系的独特优势。特别适合Coursera课程学习者建立直观认知,掌握从数据预处理到模型训练的完整流程。

gpu4optimizer的博客 186

agentic-ai教程 | 反思设计模式深度解析:如何靠自我批评让AI输出质量翻倍

本教程基于开源项目 agentic-ai(吴恩达 Agentic AI 课程中文注解教程),带你完整理解**反思设计模式(Reflection Design Pattern)**:通过"写初稿 → 自我批评 → 改进二稿"的硬编码工作流,让大语言模型(LLM)自己审查并修正输出,再结合评估(evals)与外部反馈,稳定提升邮件、代码、图表、SQL 查询等任务的质量。无需深厚代码基础,掌握 2 条提

gitblog_01141的博客 129

Octave Tuturial: Vectorization

In this video/article, I'd like to tell you the idea of vectorization. So, whether you're using Octave, or a similar language like MATLAT, or whether you're using Python NumPy or Java or C, C++, all o...

王彩旗的技术博客 369

吴恩达 deeplearning.ai 课程《神经网络和深度学习》____学习笔记(第三周)

____tz_zs学习笔记 第三周 浅层神经网络 3.1 神经网络概览 本节课带你大概了解一下神经网络长什么样,以及流程。 3.2 神经网络表示 这是一个双层神经网络,因为我们不把输入层看作一个标准的层。 “隐藏层”这个名字的含义是:在训练集中,这些中间节点的真正数值我们是不知道的,在训练集中你看不到他们的数值(训练集只有输入值和输出值),所谓的“隐藏层”仅仅只是表示你无法在...

tz_zs的博客 713

深度学习笔记(十)深层神经网络的表示及前向传播

简单总结一下我们之前学习的内容。 在之前的笔记中我总结了吴恩达老师课程的深度学习概论、逻辑回归算法、浅层神经网络。 学习了设立单隐层神经网络—>初始化参数—>正向传播计算预测值—>计算导数—>梯度下降算法—>反向传播修正参数 从这个笔记开始,我们正式进入深层神经网络deep neural network 一、什么是深层神经网络? 第一幅图是逻辑回归模型;第二幅图是双层NN,也是含一个隐藏层的NN;第三副图是三层NN,也是含两个隐藏层的NN;第四幅图是六层NN,也是含五个隐.

我的技术栈碎碎念空间 631

AI Agent学习路径全解析:从零基础到工程实战的完整指南

大模型应用正在从“问答式交互”向“智能体自主执行”快速演进,这背后离不开提示词工程、工具调用与结构化输出的支撑。理解AI Agent的核心运行逻辑,本质上是掌握“感知—规划—行动—记忆”的闭环:模型不再是单纯回答问题的接口,而是能拆解任务、调用外部API、根据中间结果动态调整的自主系统。ReAct与Function Calling作为两大底层机制,让开发者可以借助LangGraph、Spring AI等框架快速搭建出可落地的智能体应用。从Python最小循环到Java企业级接入,再到基于Obsidian的本

weixin_34159110的博客 363

AI Agent智能体入门:从工作流、反射机制到MCP与多智能体实战

在人工智能应用从对话式交互迈向自主任务执行的过程中,AI Agent成为连接大模型与实际业务的核心载体。Agent以LLM为推理引擎,通过工作流设计、反射机制、工具调用与规划能力,实现多步骤任务的自动闭环。其中,Function Calling让模型能按需调用外部接口,而MCP协议则统一了工具接入标准,显著降低多智能体系统的集成成本。无论是使用原生Python构建最小Agent循环,还是基于LangGraph、AutoGen等框架落地生产级应用,都需要先理解模型、工具与状态循环的底层逻辑。本文从基础概念出发

weixin_34032792的博客 545

机器学习期末考试高分核心:偏差-方差与评估指标深度解析

机器学习是一门融合数学基础、算法原理与工程实践的系统性学科,其核心在于理解模型泛化能力的本质——由偏差-方差分解所刻画的性能权衡。偏差反映模型对真实规律的拟合能力,方差体现对训练数据扰动的敏感程度;二者共同决定泛化误差。在此基础上,准确率、精确率、召回率、F1-score及AUC-ROC等评估指标并非孤立公式,而是针对不同数据分布(如类别不平衡)和业务目标(如医疗筛查重召回、垃圾过滤重精确)的工程响应。掌握这些概念的数学根源与场景映射,才能穿透‘调包’表象,实现从代码执行到原理讲清的能力跃迁。

weixin_29190651的博客 202

改善深层神经网络:超参数调试、正则化以及优化_课程笔记_第一、二、三周

所插入图片仍然来源于吴恩达老师相关视频课件。仍然记录一下一些让自己思考和关注的地方。 第一周 训练集与正则化 这周的主要内容为如何配置训练集、验证集和测试集;如何处理偏差与方差;降低方差的方法(增加数据量、正则化:L2、dropout等);提升训练速度的方法:归一化训练集;如何合理的初始化权重矩阵来缓解梯度消失和梯度爆炸的问题;在debug过程中应用梯度检验可以很好解决一些bug。 1.应用...

428
上一篇: Pytorch、Tensorflow安装中出现的问题
下一篇: 吴恩达老师代码本地运行BUG修正(2)
八斗糟糠
博客等级 码龄4年 51粉丝 5原创
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值