Blog7 无监督深度关键短语的生成——关键代码分析5

2021SC@SDUSC

附所有代码链接：https://github.com/Jayshen0/ Unsupervised-Deep-Keyphrase-Generatio

上一篇博客中，我们了解了一个逻辑回归实现的过程，现在我们来总结一下。画图不太方便，因此自己手写了一些内容，笔记如下。

在这篇博客中，我们将开始一个简单的单隐藏层神经网络的搭建，具体要实现：

• 构建具有单隐藏层的2类分类神经网络。
• 使用具有非线性激活功能激活函数，例如tanh。
• 计算交叉熵损失（损失函数）。
• 实现向前和向后传播。

构建的神经网络如图：

代码文件如图：

1.加载数据集，将一个花的图案的2类数据集加载到变量X和Y中。

import numpy as np
import matplotlib.pyplot as plt
from testCases import * #提供了一些测试示例来评估函数的正确性
import sklearn #为数据挖掘和数据分析提供的简单高效的工具
import sklearn.datasets
import sklearn.linear_model
from planar_utils import plot_decision_boundary, sigmoid, load_planar_dataset, load_extra_datasets
#提供了在这个任务中使用的各种有用的功能
#%matplotlib inline

np.random.seed(1) #设置一个固定的随机种子，以保证接下来的步骤中我们的结果是一致的。
#X是一个numpy的矩阵，包含了这些数据点的数值
#Y是一个numpy的向量，对应着的是X的标签【0 | 1】（红色:0 ， 蓝色 :1）
X, Y = load_planar_dataset()
plt.scatter(X[0, :], X[1, :], c=Y, s=40, cmap=plt.cm.Spectral) #绘制散点图
shape_X = X.shape
shape_Y = Y.shape
m = Y.shape[1]  # 训练集里面的数量

print ("X的维度为: " + str(shape_X))
print ("Y的维度为: " + str(shape_Y))
print ("数据集里面的数据有：" + str(m) + " 个")

#plt.scatter(X[0, :], X[1, :], c=Y, s=40, cmap=plt.cm.Spectral) #绘制散点图

# 上一语句如出现问题，请使用下面的语句：
plt.scatter(X[0, :], X[1, :], c=np.squeeze(Y), s=40, cmap=plt.cm.Spectral) #绘制散点图
plt.show()

数据集绘制：

 测试结果如下：

 

 2.定义神经网络结构

参数：

• X - 输入数据集,维度为（输入的数量，训练/测试的数量）