使用深度学习（逻辑回归）处理图像识别的问题

由于Honor Code政策，这里将抹去作业中需要学生填写的代码，只是翻译一下处理的逻辑。

使用神经网络的逻辑回归处理中等大小数据集

这个作业是识别图像是否是一只猫的问题。Cousera提供了一个训练集（209个图片）和一个测试集（50个图片），每个图片是64×64大小的图片，每个像素是由RGB三个通道的数值表示。这些数据集是以H5文件（参考H5文件简介和使用）的形式提供。

用到了如下的Python包：

numpy：Python中进行科学计算的基础包 h5py：处理H5格式文件的通用的包 matplotlib：Python中的画图工具 PIL和Scipy：用来测试模型的包

步骤一：载入数据 官方提供了lr_utils来读取训练集和测试集，这个是已经写好的，不用我们管了（细节可看：https://github.com/amarsic1990/Deep-learning/blob/master/lr_utils.py）

在载入数据之后，官方展示了其中的一个图片：

# Example of a picture
index = 25
plt.imshow(train_set_x_orig[index])
print ("y = " + str(train_set_y[:, index]) + ", it's a '" + classes[np.squeeze(train_set_y[:, index])].decode("utf-8") +  "' picture.")

步骤二：对数据预处理

首先需要定义一些变量供后面使用，这里需要提供三个变量：训练集数量（m_train）、测试集数量（m_test）和像素数量（其实就是每个图像的长和宽了，num_px)。这些变量都可以通过之前读取的数据获得。其实大家可以print(train_set_x_orig.shape)就可以看到训练集是什么样的，它是一个高维数组(209,64,64,3)，就是209个图片，每个图片有64×64个像素组成，每个像素有3个通道值组成。