import numpy as np
import h5py
import matplotlib.pyplot as plt
import testCases
from dnn_utils import sigmoid,sigmoid_backward,relu,relu_backward
import lr_utils
np.random.seed(1)
#初始化参数
#对于两层的网络结构而言,模型结构是线性->Relu->线性->sigmoid
def initialize_parameters(n_x,n_h,n_y):
'''此函数是为了初始化两层网络参数而使用的函数
参数:
n_x:输入层结点数量
n_h:隐藏层结点数量
n_y:输出层结点数量
返回:
parameters:包含参数的python字典:
W1:权重矩阵,维度为(n_h,,n_x)
b1:偏向量,维度为(n_h,1)
W2:权重矩阵,维度为(n_y,n_h)
b2:偏向量,维度为(n_y,1)'''
W1=np.random.rand(n_h,n_x)*0.01
b1=np.zeros((n_h,1))
W2=np.random.rand(n_y,n_h)*0.01
b2=np.zeros((n_y,1))
#使用断言保证我的数据格式是正确的
assert(W1.shape==(n_h,n_x))
assert(b1.shape==(n_h,1))
assert(W2.shape==(n_y,n_h))
assert(b2.shape==(n_y,1))
parameters={
"W1":W1,
"b1":b1,
"W2":W2,
"b2":b2
}
return parameters
#测试初始化函数
print("测试initialize_parameters")
parameters=initialize_parameters(3,2,1)
print('W1='+str(parameters['W1']))
print('b1='+str(parameters['b1']))
print('W2='+str(parameters['W2']))
print('b2='+str(parameters['b2']))
#初始化一个L层的神经网络
def initialize_parameters_deep(layers_dims):
'''此函数是为了初始化多层网络参数而使用的函数
参数:
layers_dims:包含我们网络中每个图层的节点数量的列表
返回:
parameters:包含参数"W1","b1","W2"..."WL","bL"的字典
W1:权重矩阵,维度为(layers_dims[l],layers_dims[l-1])
b1:偏向量,维度为(layers_dims[l],1)'''
np.random.seed(3)
parameters={}
L=len(layers_dims)
for l in range(1,L):
parameters['W'+str(l)]=np.random.randn(layers_dims[l],layers_dims[l-1])/np.sqrt(layers_dims[l-1])
parameters["b" + str(l)] = np.zeros((layers_dims[l], 1))
#确保格式是正确的
assert(parameters["W"+str(l)].shape==(layers_dims[l],layers_dims[l-1]))
assert(parameters["b"+str(l)].shape==(layers_dims[l],1))
return parameters
#测试initialize_parameters_deep
print("测试initialize_parameters_deep")
layers_dims=[5,4,3]
parameters=initialize_parameters_deep(layers_dims)
print("W1="+str(parameters["W1"]))
print("b1="+str(parameters["b1"]))
print("W2="+str(parameters["W2"]))
print("b2="+str(parameters["b2"]))
#向前传播函数
def linear_forward(A,W,b):
"""
实现前向传播的线性部分。
参数:
A - 来自上一层(或输入数据)的激活,维度为(上一层的节点数量,示例的数量)
W - 权重矩阵,numpy数组,维度为(当前图层的节点数量,前一图层的节点数量)
b - 偏向量,numpy向量,维度为(当前图层节点数量,1)
返回:
Z - 激活功能的输入,也称为预激活参数
cache - 一个包含“A”,“W”和“b”的字典,存储这些变量以有效地计算后向传递
"""
Z = np.dot(W,A) + b
assert(Z.shape == (W.shape[0],A.shape[1]))
cache = (A,W,b)
return Z,cache
#测试linear_forward
print("测试linear_forward")
A,W,b=testCases.linear_forward_test_case()
Z,linear_cache=linear_forward(A,W,b)
print("Z="+str(Z))
#线性激活部分
def linear_activation_forward(A_prev,W,b,activation):
'''实现linear-activation这一层的向前传播
参数:
A_prev - 来自上一层(或输入数据)的激活,维度为(上一层的节点数量,示例的数量)
W - 权重矩阵,numpy数组,维度为(当前图层的节点数量,前一层的大小)
b - 偏向量,numpy向量,维度为(当前图层节点数量,1)
activation-选择在此层中的使用的激活函数名,字符串类型,【"sigmoid"|"relu"】
返回:
A- 激活函数的输出,也成为激活后的值
cache - 一个包含“linear_cache”,“activation_cache”的字典,我们需要存储它以有效地计算向后传递
'''
if activation=='sigmoid':
Z,linear_cache=linear_forward(A_prev,W,b)
A,activation_cache=sigmoid(Z)
elif activation=='relu':
Z,linear_cache=linear_forward(A_prev,W,b)
A,activation_cache=relu(Z)
assert(A.shape==(W.shape[0],A_prev.shape[1]))
cache=(linear_cache,activation_cache)
return A,cache
#测试linear_activation_forward
print("测试linear_activation_forward")
A,W,b=testCases.linear_forward_test_case()
Z,linear_cache=linear_forward(A,W,b)
print("Z="+str(Z))
#多层模型的向前传播计算模型如下
def L_model_forward(X,parameters):
'''实现[LINEAR-> RELU] *(L-1) - > LINEAR-> SIGMOID
计算前向传播,也就是多层网络的前向传播,为后面每一层都执行LINEAR和ACTIVATION
参数:
X-数据,numpy数组,维度为(输入节点的数量,示例数
parameters-initialize_parameters_deep()的输出
返回:
AL-最后的激活值
cache-包含以下内容的缓存列表:
linear_relu_forward()的每个cache(有L-1个,索引从0到L-2)
linear_sigmoid_forward()的cache(只有一个,索引为L-1)
'''
caches=[]
A=X
L=len(parameters)//2
for l in range(1,L):
A_prev=A
A,cache=linear_activation_forward(A_prev,parameters['W'+str(l)],parameters['b'
+str(l)],"relu")
caches.append(cache)
AL,cache=linear_activation_forward(A,parameters['W'+str(L)],parameters['b'+str(L)],"sigmoid")
caches.append(cache)
assert(AL.shape==(1,X.shape[1]))
return AL,caches
#测试L_model_forward
print("测试l_model_forward")
X,parameters=testCases.L_model_forward_test_case()
AL,caches=L_model_forward(X,parameters)
print("AL="+str(AL))
print("caches的长度="+str(len(caches)))
#计算成本
def compute_cost(AL,Y):
"""
实施等式(4)定义的成本函数。
参数:
AL - 与标签预测相对应的概率向量,维度为(1,示例数量)
Y - 标签向量(例如:如果不是猫,则为0,如果是猫则为1),维度为(1,数量)
返回:
cost - 交叉熵成本
"""
m=Y.shape[1]
cost=-np.sum(np.multiply(np.log(AL),Y)+np.multiply(np.log(1-AL),1-Y))/m
cost=np.squeeze(cost)
assert(cost.shape==())
return cost
#测试compute_cost
print("测试compute_cost")
Y,AL=testCases.compute_cost_test_case()
print("cost="+str(compute_cost(AL,Y)))
#实现后向传播的线性部分
def linear_backward(dZ,cache):
'''为单层实现反向传播的线性部分(第L层)
参数:
dZ-相对于线性输出的成本梯度
cache-来自当前层向前传播的值的元组(A_prev,W,b)
返回:
dA_prev-相对于激活(前一层l-1)的成本梯度,与A_prev维度相同
dW-相对于W(当前层l)的成本梯度,与W的维度相同
db-相对于b(当前层)的成本梯度,与B维度相同'''
A_prev,W,b=cache
m=A_prev.shape[1]
dW=np.dot(dZ,A_prev.T)/m
db=np.sum(dZ,axis=1,keepdims=True)/m
dA_prev=np.dot(W.T,dZ)
assert(dA_prev.shape==A_prev.shape)
assert(dW.shape==W.shape)
assert(db.shape==b.shape)
return dA_prev,dW,db
#测试linear_backward
print("测试linear_backward")
dZ,linear_cache=testCases.linear_backward_test_case()
dA_prev,dW,db=linear_backward(dZ,linear_cache)
print("dA_prev="+str(dA_prev))
print("dW="+str(dW))
print("db="+str(db))
#实现后向线性激活
def linear_activation_backward(dA,cache,activation="relu"):
'''实现linear-activation层的后向传播
参数:
dA-当前层l的激活后的梯度值
cache - 我们存储的用于有效计算反向传播的值的元组(值为linear_cache,activation_cache)
activation - 要在此层中使用的激活函数名,字符串类型,【"sigmoid" | "relu"】
返回:
dA_prev - 相对于激活(前一层l-1)的成本梯度值,与A_prev维度相同
dW - 相对于W(当前层l)的成本梯度值,与W的维度相同
db - 相对于b(当前层l)的成本梯度值,与b的维度相同
'''
linear_cache,activation_cache=cache
if activation=="relu":
dZ=relu_backward(dA,activation_cache)
dA_prev,dW,db=linear_backward(dZ,linear_cache)
elif activation=="sigmoid":
dZ=sigmoid_backward(dA,activation_cache)
dA_prev,dW,db=linear_backward(dZ,linear_cache)
return dA_prev,dW,db
#测试"linear_activation_backward"
print("测试linear_activation_backward")
AL,linear_activation_cache=testCases.linear_activation_backward_test_case()
dA_prev,dW,db=linear_activation_backward(AL,linear_activation_cache,activation="sigmoid")
print("sigmoid:")
print("dA_prev="+str(dA_prev))
print("dW="+str(dW))
print("db="+str(db)+"\n")
AL,linear_activation_cache=testCases.linear_activation_backward_test_case()
dA_prev,dW,db=linear_activation_backward(AL,linear_activation_cache,activation="relu")
print("relu:")
print("dA_prev="+str(dA_prev))
print("dW="+str(dW))
print("db="+str(db))
#dAL=-(np.divide(Y,AL)-np.divide(1-Y,1-AL))
#构建多层模型向后传播函数
def L_model_backward(AL,Y,caches):
"""对[LINEAR-> RELU] *(L-1) - > LINEAR - > SIGMOID组执行反向传播,就是多层网络的向后传播
参数:
AL-概率向量,正向传播的输出(L_model_forward())
Y-标签向量,维度为1
caches-包含以下内容的cache列表:
linear_activation_forward("relu")的cache,不包含输出层
linear_activation_forward("sigmoid")的cache
返回:
grads-具有梯度值得字典
grads["dA"+str(l)]=...
grads["dA"+str(l)]=...
grads["db"+str(l)]=...
"""
grads={}
L=len(caches)
m=AL.shape[1]
Y=Y.reshape(AL.shape)
dAL=-(np.divide(Y,AL)-np.divide(1-Y,1-AL))
current_cache=caches[L-1]
grads["dA"+str(L)],grads["dW"+str(L)],grads["db"+str(L)]=linear_activation_backward(dAL,
current_cache,"sigmoid")
for l in reversed(range(L-1)):
current_cache=caches[l]
dA_prev_temp,dW_temp,db_temp=linear_activation_backward(grads["dA"+str(l+2)],
current_cache,"relu")
grads["dA"+str(l+1)]=dA_prev_temp
grads["dW"+str(l+1)]=dW_temp
grads["db"+str(l+1)]=db_temp
return grads
#测试L_model_backward
print("测试L_model_backward")
AL,Y_assess,caches=testCases.L_model_backward_test_case()
grads=L_model_backward(AL,Y_assess,caches)
print("dW1="+str(grads["dW1"]))
print("db1="+str(grads["db1"]))
print("dA1="+str(grads["dA1"]))
#更新参数
def update_parameters(parameters,grads,learning_rate):
"""使用梯度下降更新参数
参数:
parameters:包含参数的字典
grads:包含梯度值得字典,是L_model_backward的输出
返回:
parameters:包含更新参数的字典
参数["W"+str(l)]=...
参数["W"+str(l)]=...
"""
L=len(parameters)//2 #整除
for l in range(L):
parameters['W'+str(l+1)]=parameters["W"+str(l+1)]-learning_rate*grads["dW"+str(l+1)]
parameters["b"+str(l+1)]=parameters["b"+str(l+1)]-learning_rate*grads["db"+str(l+1)]
return parameters
#测试update_parameters
print("测试update_parameters")
parameters,grads=testCases.update_parameters_test_case()
parameters=update_parameters(parameters,grads,0.1)
print("W1="+str(parameters["W1"]))
print("b1="+str(parameters["b1"]))
print("W2="+str(parameters["W2"]))
print("b2="+str(parameters["b2"]))
#搭建两层神经网络
def two_layer_model(X,Y,layers_dims,learning_rate=0.0075,num_iterations=3000,
print_cost=False,isPlot=True):
'''实现一个两层神经网络,【linear->relu】->【linear->sigmoid】
参数:
X-输入的数据,维度为(n_x,例子数)
Y-标签,向量,0:非猫;1:猫,维度为(1,数量)
layers-dims:层数的向量,维度为(n_y,n_h,n_y)
learning_rate-学习率
num_iterations-迭代的次数
print_cost-是否打印成本值,每100次打印一次
isPlot-是否绘出误差值的图谱
返回:
parameters-一个包含W1,b1,W2,b2的字典变量
'''
np.random.seed(1)
grads={}
costs=[]
(n_x,n_h,n_y)=layers_dims
"""
初始化参数
"""
parameters=initialize_parameters(n_x,n_h,n_y)
W1=parameters["W1"]
b1=parameters["b1"]
W2=parameters["W2"]
b2=parameters["b2"]
"""开始进行迭代"""
for i in range(0,num_iterations):
#向前传播
A1,cache1=linear_activation_forward(X,W1,b1,"relu")
A2,cache2=linear_activation_forward(A1,W2,b2,"sigmoid")
#计算成本
cost=compute_cost(A2,Y)
#向后传播
##初始化向后传播
dA2=-(np.divide(Y,A2)-np.divide(1-Y,1-A2))
##向后传播,
dA1,dW2,db2=linear_activation_backward(dA2,cache2,"sigmoid")
dA0,dW1,db1=linear_activation_backward(dA1,cache1,"relu")
##向后传播完成后的数据保存到grads
grads["dW1"]=dW1
grads["db1"]=db1
grads["dW2"]=dW2
grads["db2"]=db2
#更新参数
parameters=update_parameters(parameters,grads,learning_rate)
W1=parameters["W1"]
b1=parameters["b1"]
W2=parameters["W2"]
b2=parameters["b2"]
#打印成本值,如果print_cost=False则忽略
if i%100 ==0:
#记录成本
costs.append(cost)
#是否打印成本值
if print_cost:
print("第",i,"次迭代,成本值为:",np.squeeze(cost))
#迭代完成,根据条件绘制图
if isPlot:
plt.plot(np.squeeze(costs))
plt.ylabel('cost')
plt.xlabel('iterations(per tens)')
plt.title("Learning rate="+str(learning_rate))
plt.show()
#返回parameters
return parameters
#加载数据集
train_set_x_orig,train_set_y,test_set_x_orig,test_set_y,classes=lr_utils.load_dataset()
train_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T
test_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T
train_x = train_x_flatten / 255
train_y = train_set_y
test_x = test_x_flatten / 255
test_y = test_set_y
#数据集加载完成,开始训练
n_x=12288
n_h=7
n_y=1
layers_dims=two_layer_model(train_x,train_set_y,layers_dims=(n_x,n_h,n_y),
num_iterations=2500,print_cost=True,isPlot=True)
#迭代完成之后进行预测
def predict(X,y,parameters):
'''该函数用于预测L层神经网络,当然也包含两层
参数:
X-测试集
y-标签
parameters-训练模型的参数
返回:
p-给定数据集X的预测'''
m=X.shape[1]
n=len(parameters)//2 #神经网络层数
p=np.zeros((1,m))
#根据参数向前传播
probas,caches=L_model_forward(X,parameters)
for i in range(0,probas.shape[1]):
if probas[0,i]>0.5:
p[0,i]=1
else:
p[0,i]=0
print("准确度为:"+str(float(np.sum((p==y))/m)))
return p
#搭建多层神经网络
def L_layer_model(X,Y,layers_dims,learning_rate=0.0075,num_iterations=3000,
print_cost=False,isPlot=True):
"""实现一个L层神经网络
[linear->relu]*(L-1)->linear->sigmoid
参数:
X-输入的数据,维度为(n_x,例子数)
Y-标签,向量,0:非猫,1:猫,维度为(1,数量)
layers_dims:层数的向量,维度为(n_y,n_h...n_h,n_y)
learning_rate-学习率
num_iterations-迭代的次数
print_cost-是否打印成本值,每100次打印一次
isPlot-是否绘制出误差值的图谱
返回:
parameters-模型学习的参数,然后他们可以用来预测"""
np.random.seed(1)
costs=[]
parameters=initialize_parameters_deep(layers_dims)
for i in range(0,num_iterations):
AL,caches=L_model_forward(X,parameters)
cost=compute_cost(AL,Y)
grads=L_model_backward(AL,Y,caches)
parameters=update_parameters(parameters,grads,learning_rate)
#打印成本值,如果print_cost=False则忽略
if i%100==0:
#记录成本
costs.append(cost)
#是否打印成本值
if print_cost:
print("第:",i,"次迭代,成本值为:",np.squeeze(cost))
#迭代完成
if isPlot:
plt.plot(np.squeeze(costs))
plt.ylabel('cost')
plt.xlabel('iterations(per tens)')
plt.title("learning rate="+str(learning_rate))
plt.show()
return parameters
#加载图像数据集
train_set_x_orig,train_set_y,test_set_x_orrig,test_set_y,classes=lr_utils.load_dataset()
train_x_flatten=train_set_x_orig.reshape(train_set_x_orig.shape[0],-1).T
test_x_flatten=test_set_x_orig.reshape(test_set_x_orig.shape[0],-1).T
train_x=train_x_flatten/225
train_y=train_set_y
test_x=test_x_flatten/225
test_y=test_set_y
layers_dims=[12288,20,7,5,1]
parameters=L_layer_model(train_x,train_y,layers_dims,num_iterations=2500,print_cost=True,isPlot=True)
pred_test=predict(test_x,test_y,parameters)
#分析哪些东西被标记错了
def print_mislabeles_images(classes,X,y,p):
"""绘制预测和实际不同的图像
X-数据集
y-实际的标签
p-预测"""
a=p+y
mislabeled_indices=np.asarray(np.where(a==1))
plt.rcParams['figure.figsize']=(40.0,40.0) #set default size plots
num_images=len(mislabeled_indices[0])
for i in range(num_images):
index=mislabeled_indices[1][i]
plt.subplot(2,num_images,i+1)
plt.imshow(X[:,index].reshape(64,64,3),interpolation='nearest')
plt.axis('off')
plt.title("Prediction:"+classes[int(p[0,index])].decode("utf-8")+"\n Class:"
+classes[y[0,index]].decode("utf-8"))
plt.show()
print_mislabeles_images(classes,test_x,test_y,pred_test)