吴恩达深度学习作业week1_3

构建两层神经网络

1.定义神经网络结构
根据X,Y的维度定义（此时的X,Y包括所有数据）输入层/隐藏层/输出层数量

2.初始化模型的参数
采用np.random.randn(a,b) * 0.01随机初始化一个维度为（a,b）的矩阵
将偏向量初始化为0
np.zeros(a,b)

分别初始化个层的w b 即 w1,b1,w2, b2,并用assert语句确保各参数的维度
以字典形式输出w,b

3.进行前向传播

• 使用字典类型的参数w,b，检索每个参数
• 实现前向传播，计算Z[1] A[1] Z[2] A[2]，训练集里面所有例子的预测向量，并assert确保各值维度正确
• 反向传播所需的值存储在“cache”中，cache将作为反向传播函数的输入(Z1 A1 Z2 A2 )

4.计算损失

• 采用交叉熵 此处可能出现由于np.exp函数导致的Warnning 可百度忽略warning
• 使用np.squeeze函数remove矩阵中维度为1的维

5.后向传播

• 按照后向传播公式，一一计算，注意各矩阵维度，正确定义计算，并以字典形式输出梯度值组成的举证矩阵。

6.更新参数

• 按照公式进行更新

7.整合各个函数至模型中

8.预测函数

• 直接使用训练出来的参数，将测试集和参数一起作为前向传播的变量，得到预测结果后，结合输出层的激活函数进行判定分类（此处是sigmoid函数的结果进行四舍五入分类）