本文需要使用数据集dataset,点击下载。使用的运行环境是Python3.7。详细注释所有代码,以供自己复习使用。
第一部分 实验说明
一、实验目的
搭建一个能够【识别猫】 的简单的神经网络
二、实验过程
建立神经网络的主要步骤:
1—定义模型结构(例如输入特征的数量)
2—初始化模型的参数
3-循环
3.1-计算当前损失(正向传播)
3.2—计算当成梯度(反向传播)
3.3—更新参数(梯度下降)
三、代码函数说明—具体代码实现见第二部分
函数名 | 函数实现 |
def load_dataset() | 加载资料包里面的数据,随后并对加载的数据进行处理 |
sigmoid() | sigmoid(w ^ T x + b) 计算来做出预测 |
def propagate(w, b, X, Y) | 实现前向和后向传播的成本函数及其梯度 |
def optimize(w , b , X , Y , num_iterations , learning_rate , print_cost = False) | 行梯度下降算法来优化w和b |
ef 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 |
def model(): | 整合到一个model()函数中 |
第二部分 实验代码
一、需要导入的包
#-*- coding: utf-8 -*- #编码注释
import numpy as np #导入numpy包
import matplotlib.pyplot as plt #导入matplotlib.pyplot包
import h5py #导入h5py
1、编码ANSI、GB2312、UNICODE与UTF-8区别
编码方式 | 特点 |
ANSI | 属于单字节编码,最多表示范围0x00-0xFF,255个字符 |
GB2312/GBK | GB2312/GBK,汉字国标编码,属于双字节编码,其中英文字母部分和iso8859-1一致,GBK编码能同时表示简体字和繁体字,GB2312只能表示简体字,GBK则兼容GB2312编码。 |
UTF-8 | UTF-8本来设计主要用于网络传输,优点是单字节字节编码所以不用考虑字节序问题,但是目前也被应用在本地文档存储格式上 |
UNICODE | UNICODE编码则是指UTF-16 LE,UTF-16是Windows上默认的Unicode编码方式,常用的Word文档、标准化软件等都是使用Unicode编码 |
Python 默认脚本文件都是 ANSCII
编码的,当文件 中有非 ANSCII 编码范围内的字符的时候就要使用"编码指示
"来修正一个 module 的定义中,如果.py文件中包含中文字符(严格的说是含有非anscii字符),则需要在第一行或第二行指定编码声明:# -*- coding=utf-8 -*-
或者 #coding=utf-8。
其他的编码如:gbk、gb2312也可以;否则会出现
Python中默认的编码格式是 ASCII 格式,在没修改编码格式时无法正确打印汉字,所以在读取中文时会报错。
2、关于import
import语句 | 模块名.函数名 |
from...import语句 | Python 的 from 语句让你从模块中导入一个指定的部分到当前命名空间中。 |
from...import*语句 | 把一个模块的所有内容全都导入到当前的命名空间也是可行的, |
3、关于numpy库和matplotlib库
numpy库参考https://www.runoob.com/numpy/numpy-linear-algebra.html
matplotlib参考https://www.runoob.com/numpy/numpy-matplotlib.html
[因为我们的dataset是h5格式]:h5py文件是存放两类对象的容器,数据集(dataset)和组(group),dataset类似数组类的数据集合,和numpy的数组差不多。group是像文件夹一样的容器,它好比python中的字典,有键(key)和值(value)。group中可以存放dataset或者其他的group。”键”就是组成员的名称,”值”就是组成员对象本身(组或者数据集)
二、关于加载数据的函数并进行测试
##加载数据的函数
def load_dataset():
#关于训练集
train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r") #可读文件
train_set_x_orig = np.array(train_dataset["train_set_x"][:]) # your train set features
#train_set_x_orig :保存的是训练集里面的图像数据(本训练集有209张64x64的图像)
train_set_y_orig = np.array(train_dataset["train_set_y"][:]) # your train set labels
#train_set_y_orig :保存的是训练集的图像对应的分类值(【0 | 1】,0表示不是猫,1表示是猫)
#关于测试集
test_dataset = h5py.File('datasets/test_catvnoncat.h5', "r")
test_set_x_orig = np.array(test_dataset["test_set_x"][:]) # your test set features
#test_set_x_orig :保存的是测试集里面的图像数据(本训练集有50张64x64的图像)
test_set_y_orig = np.array(test_dataset["test_set_y"][:]) # your test set labels
#test_set_y_orig : 保存的是测试集的图像对应的分类值(【0 | 1】,0表示不是猫,1表示是猫)
#是猫不是猫
classes = np.array(test_dataset["list_classes"][:]) # the list of classes
#classes : 保存的是以bytes类型保存的两个字符串数据,数据为:[b’non-cat’ b’cat’]
#改变数组形状
train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0])) #存在问题
#关于train_set_x与test_set_y变量是已存在的变量
return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes
#把数据加载到主程序中
train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset()
#查看加载图片信息
#plt.imshow()函数负责对图像进行处理,并显示其格式,而plt.show()则是将plt.imshow()处理后的函数显示出来
index = 2;
plt.imshow(train_set_x_orig[index]);
plt.show()
print("train_set_y=" + str(train_set_y)) #查看一下训练集里面的标签是什么样的。
print("test_set_y=" + str(test_set_y)) #查看一下测试集里面的标签是什么样的。
print(train_set_y.shape) #输出训练集的大小
print(test_set_y.shape) #输出测试集的大小
print(train_set_x_orig.shape) #(209, 64, 64, 3)
print(test_set_x_orig.shape) #(50, 64, 64, 3)
print(classes) #[b'non-cat' b'cat']
m_train = train_set_y.shape[1] #训练集里图片的数量。
m_test = test_set_y.shape[1] #测试集里图片的数量。
num_px = train_set_x_orig.shape[1] #训练、测试集里面的图片的宽度和高度(均为64x64)。
#现在看一看我们加载的东西的具体情况
print ("训练集的数量: m_train = " + str(m_train))
print ("测试集的数量 : m_test = " + str(m_test))
print ("每张图片的宽/高 : num_px = " + str(num_px))
print ("每张图片的大小 : (" + str(num_px) + ", " + str(num_px) + ", 3)")
print ("训练集_图片的维数 : " + str(train_set_x_orig.shape))
print ("训练集_标签的维数 : " + str(train_set