deeplearning.ai 总结 - Planar data classification with a hidden layer

deeplearning.ai 总结 - Planar data classification with a hidden layer

flyfish
Planar data classification with a hidden layer
使用一个隐藏层进行平面数据分类

主要是使用了以下包
numpy 是 用Python进行科学计算的基础包。
sklearn 为数据挖掘和数据分析提供简单高效的工具。
matplotlib 绘制图形库
testCases提供了一些测试样本来评估函数的正确性
planar_utils 提供了在这个作业中需要使用的各种有用的函数

关于图
matrix X包含 特性 x1,x2
vector Y包含标签 red:0,blue1

目标:数据看起来像一朵花,8个花瓣 ,一些红色 (标签 y=0) 和一些蓝色 (y=1) 点组成。
我们做的就是建立一个模型来分类这些数据
加载数据查看数据的shape

先是使用 Simple Logistic Regression 简单的逻辑回归进行分类
主要是Python库sklearn
分类的结果不是十分理想

神经网络模型

定义神经网络的结构(Defining the neural network structure)
def layer_sizes(X, Y):
n_x 表示输入层的大小
n_h 表示 隐藏层的大小 这里是4
n_y 表示输出层的大小

初始化模型的参数Initialize the model’s parameters

W1 – 权重矩阵1的shape (n_h, n_x)
b1 – 偏置向量1的shape (n_h, 1)
W2 – 权重矩阵1的shape (n_y, n_h)
b2 – 偏置向量2的shape (n_y, 1)

权重由np.random.randn初始化
偏置由 np.zeros 初始化

前向传播(forward_propagation)
反向传播(backward_propagation)
需要用的6个公式

    dZ2 = A2- Y
    dW2 = (1/m)*np.dot(dZ2, A1.T)
    db2 = (1/m)*np.sum(dZ2,axis=1,keepdims=True)
    dZ1 = np.dot(W2.T,dZ2)*(1 - np.power(A1, 2))
    dW1 = (1/m*)np.dot(dZ1,X.T)
    db1 = (1/m)*np.sum(dZ1,axis=1,keepdims=True)

更新参数(update_parameters)
W = W- learning_rate*dW

最后是整合部分(nn_model)

initialize_parameters
for 循环执行
forward_propagation
cost =compute_cost
grads = backward_propagation
parameters=update_parameters

移除长度为1的轴

Remove single-dimensional entries from the shape of an array.
x = np.array([[[0], [1], [2]]])

print(x)
#[[[0]
#  [1]
#  [2]]]
print(x.shape)#(1, 3, 1)
print(np.squeeze(x, axis=0).shape)#(3, 1)
print(np.squeeze(x, axis=2).shape)#(1, 3)
print(np.squeeze(x).shape)#(3,)

correctness [kə’rɛktnɪs]
n. 正确性

squeeze [skwiːz]
vt. 挤;紧握;勒索
vi. 压榨
n. 压榨;紧握;拥挤;佣金

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

西笑生

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值