在本练习中，您将实现K-means算法并将其用于图像压缩。

在这个实验室中，您将探索评估和改进机器学习模型的技术。

在神经网络中，对于某个特定类别的数据点，在输出层中与该类别对应的神经元应该具有最大的输出值，并且这个输出值应该是该类别所有数据点的神经元输出值中最高的。如果将输出应用于softmax函数，则softmax的输出将提供输入在每个类别中的概率。最终，X_train 是生成的特征数据，y_train 是对应的标签数据，用于训练一个分类模型。线上方的点（类0和2）将输出零，而下方的点将输出大于零的值。给定

在这个实验室里，我们将探索softmax函数。当解决多类分类问题时，该函数用于Softmax回归和神经网络。注：通常，在本课程中，笔记本使用以0开始计数，以N-1结束计数的约定，∑𝑁−1.𝑖=0，而讲座以1开始，以N结束，∑𝑁𝑖=1.这是因为代码通常会以0开始迭代，而在讲座中，从1到N计数会产生更干净、更简洁的方程。这本笔记本的方程式比实验室的典型方程式多，因此将打破惯例，从1到N计数。在

AutoGraph 是 TensorFlow 中用于将普通 Python 代码转换成 TensorFlow 计算图的工具，设置日志级别为 0 可以关闭 AutoGraph 的日志输出，减少不必要的输出信息。后两行代码的含义是设置 TensorFlow 的日志级别，将 TensorFlow 的日志级别设置为 ERROR 级别，从而只记录 ERROR 级别及以上的日志信息，不记录更低级别的日志信息。实

在本实验中，您将对比回归和分类。jupyter notebook 目录中必须包含如下文件。

然而，正如上面的幻灯片所指出的，fwb(x)现在有一个非线性分量，即sigmoid函数:fw,b(x) = sigmoid(wx +b)。一条用于目标为零或(y= 0)的情况，另一条用于目标为1 (y= 1)的情况。结合起来，这些曲线提供了对损失函数有用的行为，即当预测与目标匹配时为零，当预测与目标不同时值迅速增加。注意，在平方误差的情况下，它不是一个碗。注意，x轴是fw,b，这是一个sigmoi

正如我们在讲座中看到的，通过使用高阶多项式项(例如:f(x)= g(x0^2 +x1-1))我们可以得到更复杂的非线性边界。(您将在课程中学习如何进一步将这些参数拟合到数据中)让我们试着通过绘制决策边界来理解这个训练过的模型预测的是什么。标签y = 1的数据点显示为红色,标记为y=0的数据点用蓝色圆圈表示。我们来看看它的图形是怎样的。我们先画出-3 +x0 +x 1= 0，也就是x1 =3- x0

注意变量X和y不是标量值，而是形状分别为(m, n)和(m，)的矩阵，其中n是特征的数量，m是训练样例的数量。您可以看到成本函数的行为与预期一致，并且成本w = np.array([- 4,1,1])确实比w=np.array[-3,1,1]的代价高。在之前的实验中，您绘制了b = -3, w0 = 1, w1 = 1的决策边界。假设你想知道b = -4, w0 = 1, w1 = 1，或者w =

在本练习中，您将实现协作过滤，以构建电影推荐系统。