吴恩达老师的公开课，简单神经网络的作业总结

定义四个变量
train_set_x shape: (209, 64, 64, 3)
train_set_y shape: (1, 209)
test_set_x shape: (50, 64, 64, 3)
test_set_y shape: (1, 50)
分别为训练集的X，Y，测试集的X，Y。
这里有一点需要注意，作业中直接导入的文件train_catvnoncat.h5和test_catvnoncat.h5两个文件，如果后面需要训练自己的数据，需要建立数据集

//////////////////////////////////////////

train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0],-1).T
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0],-1).T
建立了两个为（64×63×3，209）和（64×64×3，50）这样的形式，作为两个新的变量
为什么上面的语句可以实现这一点，需要继续学习

////////////////////////////////////////

初始化定义w，b，其中w为（m,1)的形式，其中m为输入的列向量的维度
函数命名为initialize_with_zeros(dim)

////////////////////////////////////////

进行正向传播和损失函数的计算
m = X.shape[1]
A = sigmoid(np.dot(w.T,X)+b)
cost = -np.sum((np.dot(Y,np.log(A).T)+np.dot((1-Y),np.log(1-A).T)))/m
dw = np.dot(X,(A-Y).T)/m
db = np.sum(A-Y)/m
上面为计算公式，下面的为声明和一个计算，不是很懂
assert(dw.shape == w.shape)
assert(db.dtype == float)
cost = np.squeeze(cost)
assert(cost.shape == ())
在写程序时出现了一个问题：dw = 1/m×np.dot(X,(A-Y).T)运行一直为0，不是很懂，但是需要注意
函数命名为propagate(w, b, X, Y)

///////////////////////////////////////
反响传播计算，利用学习率计算w，b的下次迭代的值

 costs = []
 for i in range(num_iterations):  

     grads, cost = propagate(w, b, X, Y)

     dw = grads["dw"]//这里用来做什么，不是很懂
     db = grads["db"]

     w = w - learning_rate*dw
     b = b - learning_rate*db

     if i % 100 == 0:
         costs.append(cost)

     if print_cost and i % 100 == 0:
         print ("Cost after iteration %i: %f" %(i, cost))

函数命名为optimize(w, b, X, Y, num_iterations, learning_rate, print_cost = False)

////////////////////////////////////

对结果进行预测

m = X.shape[1]
    Y_prediction = np.zeros((1,m))
    w = w.reshape(X.shape[0], 1)

    A = sigmoid(np.dot(w.T,X)+b)

    for i in range(A.shape[1]):

        if A[0,i]>=0.5:
            Y_prediction[0,i] = 1
        else: 
            Y_prediction[0,i] = 0

    assert(Y_prediction.shape == (1, m))
函数命名为predict(w, b, X)

///////////////////////////////

函数命名完成，需要进行训练，先建立model，然后训练数据集
w, b = initialize_with_zeros(X_train.shape[0])

parameters, grads, costs = optimize(w, b, X_train, Y_train, num_iterations, learning_rate, print_cost)


w = parameters["w"]
b = parameters["b"]


Y_prediction_test = predict(w, b, X_test)
Y_prediction_train = predict(w, b, X_train)

print("train accuracy: {} %".format(100 - np.mean(np.abs(Y_prediction_train - Y_train)) * 100))
print("test accuracy: {} %".format(100 - np.mean(np.abs(Y_prediction_test - Y_test)) * 100))

d = {"costs": costs,
     "Y_prediction_test": Y_prediction_test, 
     "Y_prediction_train" : Y_prediction_train, 
     "w" : w, 
     "b" : b,
     "learning_rate" : learning_rate,
     "num_iterations": num_iterations}

上面的语句显示最终的正确率，如何计算得到的，还不是很懂，python接触时间太短，需要了解
函数命名为model(X_train, Y_train, X_test, Y_test, num_iterations = 2000, learning_rate = 0.5, print_cost = False)

/////////////////////////////
如果要训练深度学习，网络深度，模型设计，还有数据集的制作，这些都需要仔细学习一下