Ng之W1、2

@Ng老师的第一章w1、w2

W1

房价预测
监督学习
深度学习
一些小知识：
$1 structured data and unstructured data
前者（eg：数据库）的每个特征均有清晰的定义，后者（eg：图像、音频）的特征可能是像素、文本
$2 监督学习
standard neural network 房地厂、广告等
CNN 图像数据
RNN 序列数据
RNNS 语言数据等
$3 深度学习盛行的某些因素
Data
Computation
Algorithnms
$4 设计的一般过程
循环：–idea–code–experiment–

W2 Basics of Neural Network programming

一些小知识：

1. loss指的是单个训练样本上的表现，而cost function是指全体训练样本的表现，用于衡量算法的运行情况；
2. 每个神经网络的计算都是按照前向传播和反向传播过程来实现的；
3. Vectorizaion可以用于摆脱显示for循环，减少耗时；
4. 计算z时，broadcasting功能可以自动补全b，解决维度不一致的问题；
5. 使用np.random.rand()时，注意维度的完整性；
6. 可使用assert断言保证数组和向量的维度正确；
7. np.dot(a,b)执行矩阵的乘法运算，而a*b执行元素的乘法运算；

编程作业：具有神经网络思维的logistic regression

感谢博主https://blog.csdn.net/u013733326/article/details/79639509的分享，就本次读代码过程做出以下小结。
首先调用科学计算、绘图和数据库等

import numpy as np
import matplotlib.pyplot as plt
import h5py
from lr_utils import load_dataset

加载数据

train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset()

数据降维转置

#X_flatten = X.reshape(X.shape [0]，-1).T ＃X.T是X的转置
#将训练集的维度降低并转置。
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0],-1).T
#将测试集的维度降低并转置。
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T

数据标准化至[0,1]

train_set_x = train_set_x_flatten / 255
test_set_x = test_set_x_flatten / 255

定义激活函数

def sigmoid（z）：
"""
参数：
 z  - 任何大小的标量或numpy数组。
 返回：
 s-sigmoid（z）

"""
s=1/（1+np.exp(-z)）

初始化权值

def initialize_with_zeros(dim):
"""
此函数为w创建一个维度为（dim，1）的0向量，并将b初始化为0。
 参数：
     dim  - 我们想要的w矢量的大小（或者这种情况下的参数数量）
 返回：
     w  - 维度为（dim，1）的初始化向量。
     b  - 初始化的标量（对应于偏差）
    """
     w = np.zeros(shape = (dim,1))
     b = 0
     #使用断言来确保我要的数据是正确的
     assert(w.shape == (dim, 1)) #w的维度是(dim,1)
     assert(isinstance(b, float) or isinstance(b, int)) #b的类型是float或者是int
      return (w , b）

定义前向传播与反向传播

def propagate(w, b, X, Y):
    """
    实现前向和后向传播的成本函数及其梯度。
    参数：
    w  - 权重，大小不等的数组（num_px * num_px * 3，1）
        b  - 偏差，一个标量
        X  - 矩阵类型为（num_px * num_px * 3，训练数量）
        Y  - 真正的“标签”矢量（如果非猫则为0，如果是猫则为1），矩阵维度为(1,训练数据数量)
返回：
        cost- 逻辑回归的负对数似然成本
        dw  - 相对于w的损失梯度，因此与w相同的形状
        db  - 相对于b的损失梯度，因此与b的形状相同
    """
   m = X.shape[1]
   #正向传播
    A = sigmoid(np.dot(w.T,X) + b)
    cost = (- 1 / m) * np.sum(Y * np.log(A) + (1 - Y) * (np.log(1 - A))) 
    #反向传播
    dw = (1 / m) * np.dot(X, (A - Y).T) #请参考视频中的偏导公式。
    db = (1 / m) * np.sum(A - Y) #请参考视频中的偏导公式。
    
    #使用断言确保我的数据是正确的
    assert(dw.shape == w.shape)
    assert(db.dtype == float)
    cost = np.squeeze(cost)
    assert(cost.shape == ()) 
   
    #创建一个字典，把dw和db保存起来。
    grads = {
                "dw": dw,
                "db": db
             }
    return (grads , cost)

优化参数

def optimize(w , b , X , Y , num_iterations , learning_rate , print_cost = False):
    """
    此函数通过运行梯度下降算法来优化w和b
    参数：
        w  - 权重，大小不等的数组（num_px * num_px * 3，1）
        b  - 偏差，一个标量
        X  - 维度为（num_px * num_px * 3，训练数据的数量）的数组。
        Y  - 真正的“标签”矢量（如果非猫则为0，如果是猫则为1），矩阵维度为(1,训练数据的数量)
        num_iterations  - 优化循环的迭代次数
        learning_rate  - 梯度下降更新规则的学习率
        print_cost  - 每100步打印一次损失值
返回：
        params  - 包含权重w和偏差b的字典
        grads  - 包含权重和偏差相对于成本函数的梯度的字典
        成本 - 优化期间计算的所有成本列表，将用于绘制学习曲线。
        提示：
    我们需要写下两个步骤并遍历它们：
        1）计算当前参数的成本和梯度，使用propagate（）。
        2）使用w和b的梯度下降法则更新参数。
    """
     costs = []
     for i in range(num_iterations):
     grads, cost = propagate(w, b, X, Y)
     dw = grads["dw"]
     db = grads["db"]
     w = w - learning_rate * dw
     b = b - learning_rate * db
     #记录成本
        if i % 100 == 0:
        costs.append(cost)
        #打印成本数据
        if (print_cost) and (i % 100 == 0):
            print("迭代的次数: %i ， 误差值： %f" % (i,cost))
            params  = {
                "w" : w,
                "b" : b }
    grads = {
            "dw": dw,
            "db": db } 
             return (params , grads , costs)

预测值

def predict(w , b , X ):
 """
 使用学习逻辑回归参数logistic （w，b）预测标签是0还是1，
 参数：
        w  - 权重，大小不等的数组（num_px * num_px * 3，1）
        b  - 偏差，一个标量
        X  - 维度为（num_px * num_px * 3，训练数据的数量）的数据
        返回：
        Y_prediction  - 包含X中所有图片的所有预测【0 | 1】的一个numpy数组（向量）
        """
    m  = X.shape[1] #图片的数量
    Y_prediction = np.zeros((1,m)) 
    w = w.reshape(X.shape[0],1)

    #计预测猫在图片中出现的概率
    A = sigmoid(np.dot(w.T , X) + b)
    for i in range(A.shape[1]):
    #将概率a [0，i]转换为实际预测p [0，i]
        Y_prediction[0,i] = 1 if A[0,i] > 0.5 else 0
    #使用断言
    assert(Y_prediction.shape == (1,m))
     
    return Y_prediction

整合模型：

def model(X_train , Y_train , X_test , Y_test , num_iterations = 2000 , learning_rate = 0.5 , print_cost = False):
    """
     参数：
        X_train  - numpy的数组,维度为（num_px * num_px * 3，m_train）的训练集
        Y_train  - numpy的数组,维度为（1，m_train）（矢量）的训练标签集
        X_test   - numpy的数组,维度为（num_px * num_px * 3，m_test）的测试集
        Y_test   - numpy的数组,维度为（1，m_test）的（向量）的测试标签集
        num_iterations  - 表示用于优化参数的迭代次数的超参数
        learning_rate  - 表示optimize（）更新规则中使用的学习速率的超参数
        print_cost  - 设置为true以每100次迭代打印成本
返回：
        d  - 包含有关模型信息的字典。
    """
w , b = initialize_with_zeros(X_train.shape[0])

parameters , grads , costs = optimize(w , b , X_train , Y_train,num_iterations , learning_rate , print_cost)

#从字典“参数”中检索参数w和b
    w , b = parameters["w"] , parameters["b"]
    #预测测试/训练集的例子
    Y_prediction_test = predict(w , b, X_test)
    Y_prediction_train = predict(w , b, X_train)
 #打印训练后的准确性
    print("训练集准确性："  , format(100 - np.mean(np.abs(Y_prediction_train - Y_train)) * 100) ,"%")
    print("测试集准确性："  , format(100 - np.mean(np.abs(Y_prediction_test - Y_test)) * 100) ,"%")

d = {
            "costs" : costs,
            "Y_prediction_test" : Y_prediction_test,
            "Y_prediciton_train" : Y_prediction_train,
            "w" : w,
            "b" : b,
            "learning_rate" : learning_rate,
            "num_iterations" : num_iterations
             }
    return d

模型训练

d = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations = 2000, learning_rate = 0.005, print_cost = True)

遇到的一些小问题

1. ModuleNotFoundError: No module named ‘lr_utils’ 该问题是由于解压后我把文件放错位置，与训练的文件不在同一文件夹中
2. index = 23
   plt.imshow(train_set_x_orig[index])
   该代码未呈现图像，由于用的是pycharm，应该在其后加一句：plt.show（）
3. operands could not be broadcast together with shapes (1,209) (1,50) 维度问题，将其中的Y改成了Y.T后解决了问题，大概是因为broadcast只在行相同或者列相同情况下才操作？待解