1.对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果（请粘贴2种方法分类效果图），哪种效果更好，分析原因。
2.调整隐藏层大小（至少5种大小），观察不同大小隐藏层的模型的不同表现，请粘贴分类效果图，当隐藏层过大或过小时，会出现什么问题，并分析原因。
【实验目标】
- 建立具有隐藏层的完整神经网络
- 善用非线性单位
- 实现正向传播和反向传播，并训练神经网络
- 了解不同隐藏层大小（包括过度拟合）的影响
【实验内容】
利用具有1层隐藏层的神经网络分类红色和蓝色的花。参考1 和 参考2
【数据集介绍】
2分类数据集flower，红色和蓝色点的“花”。使用X, Y = planar_utils.load_planar_dataset()加载数据集，X为样本，共有400个，Y为样本对应的标签，0表示红色，1表示蓝色。
【代码要求】
-
定义模型结构
-
初始化模型的参数
-
循环
-
计算当前损失（前向传播），请使用Relu激活函数。
-
计算当前梯度（反向传播）
-
更新参数（梯度下降）
【文档要求】
（本次实验我采用jupyter notebook进行实验）
1.对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果（请粘贴2种方法分类效果图），哪种效果更好，分析原因。
逻辑回归的分类效果如下：
但是训练的准确性只有47%，可能是数据集不是线性可分的，所以逻辑回归表现不佳
数据集里面的数据有：400 个
第 0 次循环，成本为：0.6931475438458983
第 1000 次循环，成本为：0.6394767951130161
第 2000 次循环，成本为：0.6371669009459804
第 3000 次循环，成本为：0.6359841052167607
第 4000 次循环，成本为：0.635215112310812
第 5000 次循环，成本为：0.6346572327795306
第 6000 次循环，成本为：0.6342253541419587
第 7000 次循环，成本为：0.6338762776079157
第 8000 次循环，成本为：0.6335853339615207
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
