吴恩达课后编程作业)Course 1 - 神经网络和深度学习 - 第二周作业
首先进行数据处理
然后建立神经网络,主要步骤是:
-
定义模型结构(例如输入特征的数量)
-
初始化模型的参数
-
循环:
3.1 计算当前损失(正向传播)
3.2 计算当前梯度(反向传播)
3.3 更新参数(梯度下降)
环境准备
pycharm+anaconda
我是用pycharm 还有anaconda的python3.7
下载资料
【中文】【吴恩达课后编程作业】Course 1 - 神经网络和深度学习 - 第二周作业
我是从这位博主的下载的,也是基于他的教程写下这篇文章,主要还是记录自己的学习过程;
安装库
首先新建一个project,把下载的东西解压到project里
- numpy :是用Python进行科学计算的基本软件包。
- h5py:是与H5文件中存储的数据集进行交互的常用软件包。
- matplotlib:是一个著名的库,用于在Python中绘制图表。
- lr_utils :在本文的资料包里,一个加载资料包里面的数据的简单功能的库。
在anaconda的环境中直接搜索安装就可以
或者创建main.py
添加
import numpy as np
import matplotlib.pyplot as plt
import h5py
from lr_utils import load_dataset
如果报错就按提示安装
显示图片
打开lr_utils.py看看
- 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 :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)。
- 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 : 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)。
- 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’]。
在main文件中添加
train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset()
查看训练集里面的图片
index = 25
plt.imshow(train_set_x_orig[index])
#print("train_set_y=" + str(train_set_y)) #你也可以看一下训练集里面的标签是什么样的。
plt.axis('off') # 不显示坐标轴
plt.show()
原博中没有说加plt.show(),然后我运行的时候图片就没显示出来
或者在头文件下面添加 #matplotlib inline 这样就不用每次要显示图片时都写上plt.show()
运行显示
添加
print("y=" + str(train_set_y[:,index]) + ", it's a " + classes[np.squeeze(train_set_y[:,index])].decode("utf-8") + "' picture")
#使用np.squeeze的目的是压缩维度,【未压缩】train_set_y[:,index]的值为[1] , 【压缩后】np.squeeze(train_set_y[:,index])的值为1
#print("【使用np.squeeze:" + str(np.squeeze(train_set_y[:,index])) + ",不使用np.squeeze: " + str(train_set_y[:,index]) + "】")
#只有压缩后的值才能进行解码操作
打印出当前的训练标签值
查看数据集情况
进行下一步,我们查看一下我们加载的图像数据集具体情况
添加
# m_train :训练集里图片的数量。
# m_test :测试集里图片的数量。
# num_px : 训练、测试集里面的图片的宽度和高度(均为64x64)。
# 请记住,train_set_x_orig 是一个维度为(m_train,num_px,num_px,3)的数组。
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)")
运行显示
.shape[1]表示该矩阵的二维的数量
比如 array[
[1,2,3],
[4,5,6]
]
array.shape[0] = 2
array.shape[1] = 3
train_set_y = [0,1,1,0…];一个一维的矩阵,一行n列,代表该张图片有猫没猫(用0,1表示),所以
m_train = train_set_y.shape[1] #可以知道训练集里图片的数量。
添加
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_y.shape))
print ("测试集_图片的维数: " + str(test_set_x_orig.shape))
print ("测试集_标签的维数: " + str(test_set_y.shape))
运行显示
shape直接显示该矩阵的维度;
比如上面那个 array.shape = [ 2 , 3 ] ;
所以train_set_y.shape表示(1,209)
而train_set_x_orig.shape表示(209,64,64,3)
209是数量,64是宽高,3是红黄蓝三种颜色;
数据维度转换
为了方便,我们要把维度为(64,64,3)的numpy数组重新构造为(64 x 64 x 3,1)的数组,要乘以3的原因是每张图片是由64x64像素构成的,而每个像素点由(R,G,B)三原色构成的,所以要乘以3。在此之后,我们的训练和测试数据集是一个numpy数组,【每列代表一个平坦的图像】 ,应该有m_train和m_test列。
插播:
通过上课时我们可以知道,Xi1 ~ Xin 可以通过W1~Wn
到达隐藏单元Z(i),Z(i)再经过激活函数(此处用的是sigmod)得到Y帽(i) 所以X(i)是一个n X 1的矩阵;W也是; Z(i)
= WT X(i)+b(i) Z = (Z1,Z2,…,Zm); 把W和b看做实数,变化的只有输入值X,X就变成一个nxm的矩阵,n代表特征,m代表向量;
所以我们原本只有一个(209,64,64,3)的数据,需要我们转换成(n,m)的格式, 特征m = 64643 =
12288,再把209余12288的位置对调即可
当你想将形状(a,b,c,d)的矩阵X平铺成形状(b * c * d,a)的矩阵X_flatten时,可以使用以下代码:
#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
arr.reshape(m,-1) #改变维度为k行、d列 (-1表示列数自动计算,d= ab /k )
arr.reshape(-1,m) #改变维度为d行、k列 (-1表示行数自动计算,d= ab /k )
train_set_x_orig.shape[0] 就是k行,k=209,也可以用上面的m_train、m_test
然后我们看看降维之后的情况是怎么样的:
print ("训练集降维最后的维度: " + str(train_set_x_flatten.shape))
print ("训练集_标签的维数 : " + str(train_set_y.shape))
print ("测试集降维之后的维度: " + str(test_set_x_flatten.shape))
print ("测试集_标签的维数 : " + str(test_set_y.shape))
运行结果
标准化数据
为了表示彩色图像,必须为每个像素指定红色,绿色和蓝色通道(RGB),因此像素值实际上是从0到255范围内的三个数字的向量。机器学习中一个常见的预处理步骤是对数据集进行居中和标准化,这意味着可以减去每个示例中整个numpy数组的平均值,然后将每个示例除以整个numpy数组的标准偏差。但对于图片数据集,它更简单,更方便,几乎可以将数据集的每一行除以255(像素通道的最大值),因为在RGB中不存在比255大的数据,所以我们可以放心的除以255,让标准化的数据位于[0,1]之间。
现在标准化我们的数据集:
train_set_x = train_set_x_flatten / 255
test_set_x = test_set_x_flatten / 255
以上就是对数据的处理
定义sigmoid函数
现在构建sigmoid(),需要使用 sigmoid(w ^ T x + b) 计算来做出预测。
公式 : a = 1/(1+e^-z)
所以
def sigmoid(z):
a = 1/(1+np.exp(-z))
return a
测试一下
#测试sigmoid()
print("====================测试sigmoid====================")
print ("sigmoid(0) = " + str(sigmoid(0)))
print ("sigmoid(9.2) = " + str(sigmoid(9.2)))
得到
初始化参数w和b了
"""
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)
"""
def initialize_with_zeros(dim):
w = np.zeros(shape=(dim, 1))
b = 0
# 使用断言来确保我要的数据是正确的,具体作用相当于 expression
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)
在这个训练集数据里面,dim就是12288
点击查看assert:解释
计算成本函数
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)
#这个函数目的实现前向和后向传播的成本函数及其梯度
def propagate(w, b, X, Y):
m = X.shape[1]
#1、正向传播,也就是计算A的值
Z= np.dot(w.T,X) + b
A = sigmoid(Z) #计算激活值,请参考下方公式。
#2、代价函数
cost = (- 1 / m) * np.sum(Y * np.log(A) + (1 - Y) * (np.log(1 - A))) #计算成本,请参考公式3和4。
#3、反向传播(就是梯度下降,给W和b求偏导)
dw = (1 / m) * np.dot(X, (A - Y).T) #请参考视频中的偏导公式。dot就是矩阵相乘
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)
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
测试一下。
#测试一下propagate
print("====================测试propagate====================")
#初始化一些参数
w, b, X, Y = np.array([[1], [2]]), 2, np.array([[1,2], [3,4]]), np.array([[1, 0]])
grads, cost = propagate(w, b, X, Y)
print ("dw = " + str(grads["dw"]))
print ("db = " + str(grads["db"]))
print ("cost = " + str(cost))
结果
优化函数
w,权重;
b,偏差;
x,输入的特征向量
y,标签
num_iterations,循环迭代的次数
learning_rate 梯度下降更新规则的学习率,就是效率
print_cost - 每100步打印一次损失值
# 此函数通过运行梯度下降算法来优化w和b
def optimize(w , b , X , Y , num_iterations , learning_rate , print_cost = False):
"""
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 = []
#循环迭代多少次
for i in range(num_iterations):
#从成本函数获取 dw:相对于w的损失梯度;db: 相对于b的损失梯度
grads, cost = propagate(w, b, X, Y
dw = grads["dw"]
db = grads["db"]
#通过梯度下降的公式(看上面),算出w和b
w = w - learning_rate * dw
b = b - learning_rate * db
#记录成本
if i % 100 == 0:
costs.append(cost)#每隔100次就把值放进costs里面,方便下一步画图
#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 }
#把优化好的dw,db,w,b等都输出
return (params , grads , costs)
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。
目标是通过最小化成本函数 J来得到 w和b
没看懂这句话
测试一下
#测试optimize
print("====================测试optimize====================")
w, b, X, Y = np.array([[1], [2]]), 2, np.array([[1,2], [3,4]]), np.array([[1, 0]])
params , grads , costs = optimize(w , b , X , Y , num_iterations=100 , learning_rate = 0.009 , print_cost = False)
print ("w = " + str(params["w"]))
print ("b = " + str(params["b"]))
print ("dw = " + str(grads["dw"]))
print ("db = " + str(grads["db"]))
结果
optimize函数会输出已学习的w和b的值,我们可以使用w和b来预测数据集X的标签。
预测函数
计算预测有两个步骤:
1.计算 Y^ =A=σ(w^TX+b)
2.将a的值变为0(如果激活值<= 0.5)或者为1(如果激活值> 0.5),
然后将预测值存储在向量Y_prediction中。
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)) #把这个预测的矩阵都初始化为0
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)
#把所有图片遍历一遍,如果概率>0.5,则矩阵该点就=1,否则=0
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
测试
#测试predict
print("====================测试predict====================")
w, b, X, Y = np.array([[1], [2]]), 2, np.array([[1,2], [3,4]]), np.array([[1, 0]])
print("predictions = " + str(predict(w, b, X)))
结果
整合到model函数中
def model(X_train , Y_train , X_test , Y_test , num_iterations = 2000 , learning_rate = 0.5 , print_cost = False):
"""
通过调用之前实现的函数来构建逻辑回归模型
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
测试
print("====================测试model====================")
#这里加载的是真实的数据,请参见上面的代码部分。
d = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations = 2000, learning_rate = 0.005, print_cost = True)
结果
到目前为止,我们的程序算是完成了,但是,我们可以在后面加一点东西,比如画点图什么的。
结果显示测试集只有70%,训练集接近100% 说明过拟合了
画图
#绘制图
costs = np.squeeze(d['costs'])
plt.plot(costs)
plt.ylabel('cost')
plt.xlabel('iterations (per hundreds)')
plt.title("Learning rate =" + str(d["learning_rate"]))
plt.show()
测试某张图片
#从测试集拿一张图
index = 1
print('该图片的y:',test_set_y[0,index])
print('该照片预测结果:',d['Y_prediction_test'][0,index])
plt.imshow(test_set_x_orig[index])
进一步研究
研究学习率alpha的可能选择。为了让渐变下降起作用,我们必须明智地选择学习速率。学习率alphaα 决定了我们更新参数的速度。如果学习率过高,我们可能会“超过”最优值。同样,如果它太小,我们将需要太多迭代才能收敛到最佳值。这就是为什么使用良好调整的学习率至关重要的原因。
我们可以比较一下我们模型的学习曲线和几种学习速率的选择。也可以尝试使用不同于我们初始化的learning_rates变量包含的三个值,并看一下会发生什么。
learning_rates = [0.01, 0.001, 0.0001]
models = {}
for i in learning_rates:
print ("learning rate is: " + str(i))
models[str(i)] = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations = 1500, learning_rate = i, print_cost = False)
print ('\n' + "-------------------------------------------------------" + '\n')
for i in learning_rates:
plt.plot(np.squeeze(models[str(i)]["costs"]), label= str(models[str(i)]["learning_rate"]))
plt.ylabel('cost')
plt.xlabel('iterations')
legend = plt.legend(loc='upper center', shadow=True)
frame = legend.get_frame()
frame.set_facecolor('0.90')
plt.show()
结果
最后使用非数据集的图片进行测试
唉不想写了,怎么这么长
就imread图片,然后转换成对应的格式X( n X m )然后调用预测函数
显示出结果