深度神经网络对图像分类的应用

你将会使用你之前建立一个神经网络作业中所实现的函数，并且将它应用于猫与非猫的分类。希望与以前的逻辑回归实现相比，您将看到准确性的提高。

在本次作业之后，你能够：

• 建立并且应用一个神经网络到监督学习中

1 - 开发包

• numpy 是 Python 科学计算中基本的开发包。
• matplotlib 是 Python 中一个绘图库
• h5py 是与存于 H5 文件的数据集交互的常用开发包
• PIL 和 scipy 用于最后用你自己的图片测试你的模型
• dnn_app_utils 提供了上次作业中已经实现的函数
• np.random.seed(1) 用于保持所有随机函数调用的一致性。他将会帮助我们对你的作业计分

2 - 数据集

你将会使用在作业二中同样的 ”猫与非猫“ 的数据集。你之前建立的模型有 70% 的测试精度，希望你的新模型可以做的更好。

**问题叙述：**你得到一个数据集（”data.h5“）包含：

• 一个被标记的训练集 m_train 图像，标记为猫（1）非猫（0）
• 一个测试集 m_test 图像，标记为猫和非猫
• 每个图像的形状是（num_px, num_px, 3）3 是 3 通道（RGB）
• 

下面的代码将会显示数据集中的一个图像。


像平常一样，你可以在图像载入网络之前将他们重构标准化。代码已经在下面给出了

3 - 模型结构

你将会构建两个不同的模型

• 一个 2 层的神经网络
• 一个 L 层的神经网络
  之后你将对这些模型的性能做出对比，并且尝试不同的 L 值

写了一半发现这里没有什么需要写的代码，基本都是函数调用，唯一需要注意的是函数输入参数。就不写了，有需要的留言，我会第一时间回复