一. Python的numpy库
作业过程中需要注意的点：
1.字符串要用引号引起来
2.除法运算的分母有多项时要用括号括起来
一般情况下不会使用math库，因为输入大部分都是矩阵、向量等，用numpy库会更方便。
3.row vector行向量,Numpy与math的区别在于解决矩阵或向量问题，而非单个的实数等。
4.要注意写乘号，为不能直接写s(1-s)，要写成s*(1-s),否则会报错ndarry不能callable.
5.存在问题：在这里把一张图片reshape成一个列向量，也就是说，把RGB三维向量，转成一维向量，image.shape[0]*image.shap[1]*image.shape[2]，是一个3X5X4的向量
6.Normalizing rows：
np.linalg.norm，linalg=linear+algebra
norm(x, ord=None, axis=None, keepdims=False)
①ord=None：默认情况下，是求整体的矩阵元素平方和，再开根号。
②axis：处理类型
axis=1表示按行向量处理，求多个行向量的范数
axis=0表示按列向量处理，求多个列向量的范数
axis=None表示矩阵范数。
③keepding：是否保持矩阵的二维特性
True表示保持矩阵的二维特性，False相反。
如：
按照行进行求和然后求平方根的计算。
第一行：3^2+4^2=25，开根号就是5
第二行：2^2+6^2+4^2=4+36+16=56，开根号是根号下56.
二、Logistic Regression进行图片分类
1.步骤：
①初始化参数
②计算代价函数和梯度
③梯度下降进行优化
2.Python Imaging Library (PIL)有很多格式的图片,可用作测试集
numpy.squeeze(a,axis = None)
1）a表示输入的数组；
2）axis用于指定需要删除的维度，但是指定的维度必须为单维度，否则将会报错；
3）axis的取值可为None 或 int 或 tuple of ints, 可选。若axis为空，则删除所有单维度的条目；
4）返回值：数组
5) 不会修改原数组；
https://docs.scipy.org/doc/numpy/reference/generated/numpy.squeeze.html
3.具体操作步骤
①导入包
②问题称述回顾
导入数据，其中要注意的是np.squeeze（）函数，如果不使用的话可能造成图片无法显示，即删除单维数据，弄成秩为1以上的数据。
预处理数据集的步骤：
- 理清楚问题中数据的维度（训练集、测试集、相片的横纵像素等）
- 重塑数据集的维度，每个例子的向量为(num_px * num_px * 3, 1)
其中一个机智的做法是：
A trick when you want to flatten a matrix X of shape (a,b,c,d) to a matrix X_flatten of shape (b∗∗c∗∗d, a) is to use:
X_flatten = X.reshape(X.shape[0], -1).T # X.T is the transpose of X- 标准化数据
③学习算法的构建
使用logistic回归，原理如下：
用到的主要公式为：
第一步：定义函数
如：sigmoid函数
第二步：初始化参数
w = np.zeros((dim,1),dtype=np.int),注意当确定零矩阵的维度时，其中若有变量，则需要在后申明数据类型，如整型等。
用法：zeros(shape, dtype=float, order='C')
返回：返回来一个给定形状和类型的用0填充的数组；
参数：shape:形状
dtype:数据类型，可选参数，默认numpy.float64
dtype类型：t ,位域,如t4代表4位
b,布尔值，true or false
i,整数,如i8(64位）
u,无符号整数，u8(64位）
f,浮点数，f8（64位）
c,浮点负数，
o,对象，
s,a，字符串，s24
u,unicode,u24
order:可选参数，c代表与c语言类似，行优先；F代表列优先
第三步：前后馈神经网络
注意在预测时对每个元素的写法，a[0,i]
