#?-*-?coding:?utf-8?-*-

import?numpy?as?np
import?matplotlib.pyplot?as?plt
import?sklearn
import?sklearn.datasets

def?sigmoid（x）:
????“““
????Compute?the?sigmoid?of?x
?
????Arguments:
????x?--?A?scalar?or?numpy?array?of?any?size.
?
????Return:
????s?--?sigmoid（x）
????“““
????s?=?1/（1+np.exp（-x））
????return?s
?
def?relu（x）:
????“““
????Compute?the?relu?of?x
?
????Arguments:
????x?--?A?scalar?or?numpy?array?of?any?size.
?
????Return:
????s?--?relu（x）
????“““
????s?=?np.maximum（0x）
????
????return?s


def?load_params_and_grads（seed=1）:
????np.random.seed（seed）
????W1?=?np.random.randn（23）
????b1?=?np.random.randn（21）
????W2?=?np.random.randn（33）
????b2?=?np.random.randn（31）
?
????dW1?=?np.random.randn（23）
????db1?=?np.random.randn（21）
????dW2?=?np.random.randn（33）
????db2?=?np.random.randn（31）
????
????return?W1?b1?W2?b2?dW1?db1?dW2?db2
????
def?initialize_parameters（layer_dims）:
????“““
????Arguments:
????layer_dims?--?python?array?（list）?containing?the?dimensions?of?each?layer?in?our?network
????
????Returns:
????parameters?--?python?dictionary?containing?your?parameters?“W1“?“b1“?...?“WL“?“bL“:
????????????????????W1?--?weight?matrix?of?shape?（layer_dims[l]?layer_dims[l-1]）
????????????????????b1?--?bias?vector?of?shape?（layer_dims[l]?1）
????????????????????Wl?--?weight?matrix?of?shape?（layer_dims[l-1]?layer_dims[l]）
????????????????????bl?--?bias?vector?of?shape?（1?layer_dims[l]）
????????????????????
????Tips:
????-?For?example:?the?layer_dims?for?the?“Planar?Data?classification?model“?would?have?been?[221].?
????This?means?W1‘s?shape?was?（22）?b1?was?（12）?W2?was?（21）?and?b2?was?（11）.?Now?you?have?to?generalize?it!
????-?In?the?for?loop?use?parameters[‘W‘?+?str（l）]?to?access?Wl?where?l?is?the?iterative?integer.
????“““
????
????np.random.seed（3）
????parameters?=?{}
????L?=?len（layer_dims）?#?number?of?layers?in?the?network
?
????for?l?in?range（1?L）:
????????parameters[‘W‘?+?str（l）]?=?np.random.randn（layer_dims[l]?layer_dims[l-1]）*??np.sqrt（2?/?layer_dims[l-1]）
????????parameters[‘b‘?+?str（l）]?=?np.zeros（（layer_dims[l]?1））
????????
????????assert（parameters[‘W‘?+?str（l）].shape?==?layer_dims[l]?layer_dims[l-1]）
????????assert（parameters[‘W‘?+?str（l）].shape?==?layer_dims[l]?1）
????????
????return?parameters
????
def?forward_propagation（X?parameters）:
????“““
????Implements?the?forward?propagation?（and?computes?the?loss）?presented?in?Figure?2.
????
????Arguments:
????X?--?input?dataset?of?shape?（input?size?number?of?examples）
????parameters?--?python?dictionary?containing?your?parameters?“W1“?“b1“?“W2“?“b2“?“W3“?“b3“:
????????????????????W1?--?weight?matrix?of?shape?（）
????????????????????b1?--?bias?vector?of?shape?（）
????????????????????W2?--?weight?matrix?of?shape?（）
????????????????????b2?--?bias?vector?of?shape?（）
????????????????????W3?--?weight?matrix?of?shape?（）
????????????????????b3?--?bias?vector?of?sha

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????文件????????3259??2018-04-10?19:51??testCases.py
?????文件????????7707??2018-04-11?21:41??opt_utils.py