Deep Learning 第一周第三课编程作业笔记（无代码）

最新推荐文章于 2022-12-22 15:50:38 发布

原创最新推荐文章于 2022-12-22 15:50:38 发布 · 275 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#deep learning

python 同时被 3 个专栏收录

22 篇文章

订阅专栏

函数

8 篇文章

订阅专栏

deep learning笔记

3 篇文章

订阅专栏

这篇笔记记录了启动jupyter notebook的步骤，以及在使用matplotlib时遇到的plt.scatter函数错误的解决方法。通过匿名函数和enumerate()函数的应用，解释了在Deep Learning作业中遇到的问题，并探讨了nn_model函数结果差异的原因。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

笔记内容都是记录对我有意义的方面，供我以后个人复习参考，打扰大家，还望海涵。

启动jupyter notebook的步骤，参考https://blog.youkuaiyun.com/xiewenrui1996/article/details/89765138：

1.打开Anaconda prompt

2.输入jupyter notebook 你的文件夹的位置

在运行Visualize the dataset using matplotlib 这部分代码时，发生了以下错误：

# Visualize the data:
plt.scatter(X[0, :], X[1, :], c=Y, s=40, cmap=plt.cm.Spectral);

ValueError: 'c' argument has 1 elements, which is not acceptable for use with 'x' with size 400, 'y' with size 400.

搜索发现解决办法，由于plt.scatter函数进行了改版，所以参数也发生的变动，参考该篇文章和文章下的评论：

将代码其中修改为：c=np.squeeze(Y)

# Visualize the data:
plt.scatter(X[0, :], X[1, :], c=np.squeeze(Y), s=40, cmap=plt.cm.Spectral);

plot_decision_boundary(model, X, y)函数，参考https://sophia0130.github.io/2018/06/25/Deep-Learning-%E5%90%B4%E6%81%A9%E8%BE%BE-%E4%BD%9C%E4%B8%9A%E2%80%94%E2%80%94%E5%85%B3%E4%BA%8Eplot-decision-boundary-%E5%87%BD%E6%95%B0%E7%9A%84%E7%90%86%E8%A7%A3/ ：

plot_decision_boundary(lambda x: predict(parameters, x.T), X, Y)

其中lambda函数表示的是匿名函数，而x则代表函数的参数，即在plot_decision_boundary()这个函数中只需要输入x的值，parameters是保持不变的。

enumerate()函数，参考链接：https://www.runoob.com/python/python-func-enumerate.html

enumerate(sequence, [start=0]) 一般用于for循环中

参数解释：

squence表示一个序列

start表示起始位置

该函数返回的是序列中数据的下标以及数据，例如

hidden_layer_sizes = ['a', "b", 'c', 'd', 'e', 'f', 'g']
list(enumerate(hidden_layer_sizes))

[(0, 'a'), (1, 'b'), (2, 'c'), (3, 'd'), (4, 'e'), (5, 'f'), (6, 'g')]

总结：

1. Define the neural network structure ( # of input units,  # of hidden units, etc). 
2. Initialize the model's parameters
3. Loop:
    - Implement forward propagation
    - Compute loss
    - Implement backward propagation to get the gradients
    - Update parameters (gradient descent)
4. Predict: using update parameters to predict data

在nn_model()函数中输出的结果与给出的结果有一点差别，查询答案是可能由于32位或者64位机运算结果有差异，参考https://www.mscto.com/base/296151.html