一步步搭建多层神经网络以及应用

这篇具有很好参考价值的文章主要介绍了一步步搭建多层神经网络以及应用。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

import numpy as np
import h5py
import matplotlib.pyplot as plt
import testCases
from dnn_utils import sigmoid,sigmoid_backward,relu,relu_backward
import lr_utils

np.random.seed(1)

def initialize_parameters(n_x,n_h,n_y):
W1=np.random.randn(n_h,n_x)*0.01
b1=np.zeros((n_h,1))
W2=np.random.randn((n_y,n_h))*0.01
b2=np.zeros((n_y,1))

assert(W1.shape ==(n_h,n_x))
assert(b1.shape==(n_h,1))
assert(W2.shape==(n_y,n_h))
assert(b2.shape==(n_y,1))

parameters={"W1":W1,"b1":b1,"W2":W2,"b2":b2}

return parameters

def initialize_parameters_deep(layers_dims):
np.random.seed(3)
parameters ={}
L=len(layers_dims)

for l in range(1,L):
    parameters["W"+str(l)] =np.random.randn(layers_dims[l],layers_dims[l-1])/np.sqrt(layers_dims[l-1])

    parameters["b"+str(l)] =np.zeros((layers_dims[l],1))

    assert(parameters["W"+str(l)].shape ==(layers_dims[l],layers_dims[l-1]))
    assert(parameters["b"+str(l)].shape==(layers_dims[l],1))

return parameters

#前向传播函数
def linear_forward(A,W,b):
Z=np.dot(W,A)+b
assert(Z.shape==(W.shape[0],A.shape[1]))
cache=(A,W,b)
return Z,cache

def linear_activation_forward(A_prev,W,b,activation):
if activation ==“sigmoid”:
Z,linear_cache =linear_forward(A_prev,W,b)
A,activation_cache =sigmoid(Z)文章来源地址https://www.toymoban.com/news/detail-501697.html

elif activation =="relu":
    Z

到了这里,关于一步步搭建多层神经网络以及应用的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包