吴恩达深度学习第一课第三周编程作业（上）

作业描述：

用1层隐藏层的神经网络分类二维数据

欢迎来到第3周的编程作业。 现在是时候建立你的第一个神经网络了，它将具有一层隐藏层。 你将看到此模型与你使用逻辑回归实现的模型之间的巨大差异。

你将学到如何：

• 实现具有单个隐藏层的2分类神经网络
• 使用具有非线性激活函数的神经元，例如tanh
• 计算交叉熵损失
• 实现前向和后向传播

数据集及源码下载：

链接:https://pan.baidu.com/s/1UT6XLCkohr3n37wTwkI3BA 
提取码:4bmw

代码中的一些常见函数学习：

（1）plt.scatter()

函数的原型：

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)

常用参数的解释：

x, y:表示的是shape大小为(n,)的数组，也就是我们即将绘制散点图的数据点，输入数据。

S:表示的是面积大小（注意不是直径），是一个标量或者是一个shape大小为(n,)的数组，可选，默认20。

C:颜色，默认蓝色“b”。

marker:表示的是标记的样式，默认的是'o'。

alpha：实数，0-1之间，可以设置透明度。

（2）multiply(a,b)

multiply(a,b)就是个乘法，如果a,b是两个数组，那么对应元素相乘。

（3）numpy.sum()

推荐：Python NumPy中sum()函数详解 axis与keepdims图解_独步天秤的博客-优快云博客_python中sum函数参数https://blog.youkuaiyun.com/yl_best/article/details/102605033

一、导入所需要的包 

二、导入数据集，预处理

三、首先采用的是逻辑回归解决二分类 

四、绘制决策边界 

五、预期输出

 

Accuracy of logistic regression: 47 % (percentage of correctly labelled datapoints)，可以看到逻辑回归分类准确率很低。