吴恩达深度学习编程作业——Planar data classification with one hidden layer

1.准备工作
主要任务：
构架你的第一个神经网络，它只有一个隐藏层，你将会看到这个模型和使用逻辑回归模型的很大不同。
你将会学到：
1.操作2值分类器
2.使用非线性激活函数
3.计算交叉熵损失
4.操作前向和后向传播
2.数据集
加载数据集，将二分类数据集加载成变量X,Y

X, Y = load_planar_dataset()

红色（label y=0）蓝色（label y=1）
使用matplotlib实现数据可视化

注：数组X包含了特征值，数组Y包含了标签。
3.简单的逻辑回归
首先运行已经写好的逻辑回归分类器查看精确度：


最终获取的精确度47%，可见精确度还很低为后续优化做准备。产生这样结果的原因是数据集不是线性可分的，所以逻辑回归表现并不好。
4.神经网络模型

如图所示，这是一个简单的只含有一个隐藏层的神经网络模型。
难点在于前后向传播使用的计算公式：

其中 i 表示第几个样本。
给出所有样本的预测就可以计算总成本：

注：构建一个神经网络的基本方法：
1.构建网络结构
2.初始化模型参数
3.操作前向传播——计算损失——操作后向传播——获取梯度——更新模型参数
分步构建模型，再将每个步骤融合到一个函数中，完成构建后就可以对新数据进行评估。
4.1定义神经网络结构

# GRADED FUNCTION: layer_sizes

def layer_sizes(X, Y):
    """
    Arguments:
    X -- input dataset of shape (input size, number of examples)
    Y -- labels of shape (output size, number of examples)
    
    Returns:
    n_x -- the size of the input layer
    n_h -- the size of the hidden layer
    n_y -- the size of the output layer
    """
    ### START CODE HERE ### (≈ 3 lines of code)
    # size of input layer
    n_x = X.shape[0]
    n_h = 4
    n_y = Y.shape[0]
    # size of output layer
    ### END CODE HERE ###
    return (n_x, n_h, n_y)

X_assess, Y_assess = layer_sizes_test_case()
(n_x, n_h, n_y) = layer_sizes(X_assess, Y_assess)
print("The size of the input layer is: n_x = " + str(n_x))
print("The size of the hidden layer is: n_h = " + str(n_h))
print("The size of the output layer is: n_y = " + str(n_y))

运行结果：