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
扫一扫
2878
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
