吴恩达课后编程作业：Course 2 - 改善深层神经网络 - 第一周作业(1&2&3)
简介
本资源文件是《吴恩达深度学习课程》第二部分“改善深层神经网络”第一周的课后编程作业。该作业涵盖了三个主要部分：初始化、正则化和梯度校验。通过完成这些作业，学习者可以深入理解如何通过不同的初始化方法、正则化技术和梯度校验来优化神经网络模型。
作业内容
1. 初始化
- 零初始化：将所有参数初始化为零。
- 随机初始化：将参数初始化为随机值，以打破对称性。
- 抑梯度异常初始化：使用特定的方法初始化参数，以避免梯度消失或爆炸问题。
2. 正则化
- L2正则化：通过在损失函数中添加L2范数来正则化模型，防止过拟合。
- 随机删除节点：通过随机删除神经网络中的节点来简化模型，同样是为了防止过拟合。
3. 梯度校验
- 高维梯度校验：通过数值方法计算梯度，并与反向传播计算的梯度进行比较，以确保梯度计算的准确性。
使用方法
- 下载资源文件：请下载本仓库中的资源文件，并解压到本地目录。
- 安装依赖：确保你已经安装了所需的Python库，如NumPy、Matplotlib、Scikit-learn等。
- 运行代码：按照作业指导文件中的步骤，逐步运行代码，完成各个部分的作业。
- 提交作业：完成作业后，按照课程要求提交你的代码和结果。
注意事项
- 请确保你已经完成了课程视频的学习，理解了相关概念后再进行编程作业。
- 在运行代码时，注意观察模型的训练过程和结果，理解不同初始化和正则化方法对模型性能的影响。
- 如果遇到问题，可以参考CSDN博客中的详细解析，或者在课程论坛中寻求帮助。
贡献
如果你发现任何问题或有改进建议，欢迎提交Issue或Pull Request。
许可证
本资源文件遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。