摘要：1.Forward and backward propagation: Forward propagation for layer L: Z[L]=W[L]A[L-1]+b[L] A[L]=g[L](Z[L]) Backward propagation for layer L: dZ[L]=dA[L 阅读全文

摘要：1、神经网络概述： dW[L]=（1/m)*dZ[L]A[L-1].T db[L]=(1/m)*np.sum(dZ[L],axis=1,keepdims=True) dZ[L-1]=W[L].T dZ[L]*g'(Z[L-1]) 2. 激活函数： sigmoid(z)=1/(1+e-z), tanh 阅读全文

摘要：1、神经网络的计算通常包括前向传播(foward propagation)步骤和反向传播(backward propagation)的步骤； 2、数据预处理： X.shape:[nx,m] >nx 是特征数，m为样本数 Y.shape:[1,m] W.shape:[nx,1] b >是实数 X 数据 阅读全文