L1W2用神经网络思想实现Logistic回归

最新推荐文章于 2022-08-12 11:22:14 发布

数据闲逛人

最新推荐文章于 2022-08-12 11:22:14 发布

阅读量220

点赞数

分类专栏： # 【深度学习】

本文链接：https://blog.csdn.net/jcjic/article/details/117908269

版权

【深度学习】专栏收录该内容

6 篇文章 0 订阅

订阅专栏

文章目录

安装包
问题概述
学习算法的一般架构
构建算法的各个部分
将所有功能合并到模型中
进一步分析（可选练习）
使用自己的图像进行测试
总结
参考资料

**目标:**逐步了解神经网络的思维方式，同时磨练你对深度学习的直觉。
说明：
除非指令中明确要求使用，否则请勿在代码中使用循环（for / while）。
学习内容:

建立学习算法的一般架构，包括：
    初始化参数
    计算损失函数及其梯度
    使用优化算法（梯度下降）
按正确的顺序将以上所有三个功能集成到一个主模型上。

安装包

import numpy as np
import matplotlib.pyplot as plt
import h5py 
import scipy 
from PIL import Image
from scipy import ndimage
from lr_utils import load_dataset

%matplotlib inline

问题概述

问题说明:你将获得一个包含以下内容的数据集(“data.h5”):

     标记为cat（y = 1）或非cat（y = 0）的m_train训练图像集
     标记为cat或non-cat的m_test测试图像集
     图像维度为（num_px，num_px，3），其中3表示3个通道（RGB）。 因此，每个图像都是正方形（高度= num_px）和（宽度= num_px）。

你将构建一个简单的图像识别算法，该算法可以将图片正确分类为猫和非猫。
让我们熟悉一下数据集吧，首先通过运行以下代码来加载数据。

# 下载数据
train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()

我们在图像数据集（训练和测试）的末尾添加了"_orig"，以便对其进行预处理。预处理后，我们将得到train_set_x和test_set_x（标签train_set_y和test_set_y不需要任何预处理）。

train_set_x_orig和test_set_x_orig的每一行都是代表图像的数组。你可以通过运行以下代码来可视化示例。还可以随意更改index值并重新运行以查看其他图像。

# 展示一个图片
index = 5
plt.imshow(train_set_x_orig[index])
print('y = '+str(train_set_y[:,index]) + ", it's a '" + classes[np.squeeze(train_set_y[:,index])].decode("utf-8") + "'puicture.")

y = [0], it's a 'non-cat'puicture.

在这里插入图片描述

深度学习中的许多报错都来自于矩阵/向量尺寸不匹配。如果你可以保持矩阵/向量的尺寸不变，那么将消除大多错误。

练习：查找以下各项的值：

     m_train（训练集示例数量）
     m_test（测试集示例数量）
     num_px（=训练图像的高度=训练图像的宽度）

请记住，“ train_set_x_orig”是一个维度为（m_train，num_px，num_px，3）的numpy数组。例如，你可以通过编写“ train_set_x_orig.shape [0]”来访问“ m_train”。

# 代码开动   
m_train = train_set_x_orig.shape[0]
m_test = test_set_x_orig.shape[0]
num_px = train_set_x_orig.shape[1]
# 代码结束  下面也可以看成数据探索

print ("Number of training examples: m_train = " + str(m_train))
print ("Number of testing examples: m_test = " + str(m_test))
print ("Height/Width of each image: num_px = " + str(num_px))
print ("Each image is of size: (" + str(num_px) + ", " + str(num_px) + ", 3)")
print ("train_set_x shape: " + str(train_set_x_orig.shape))
print ("train_set_y shape: " + str(train_set_y.shape))
print ("test_set_x shape: " + str(test_set_x_orig.shape))
print ("test_set_y shape: " + str(test_set_y.shape))

Number of training examples: m_train = 209
Number of testing examples: m_test = 50
Height/Width of each image: num_px = 64
Each image is of size: (64, 64, 3)
train_set_x shape: (209, 64, 64, 3)
train_set_y shape: (1, 209)
test_set_x shape: (50, 64, 64, 3)
test_set_y shape: (1, 50)

为了方便起见，你现在应该以维度(num_px num_px 3, 1)的numpy数组重塑维度（num_px，num_px，3）的图像。此后，我们的训练（和测试）数据集是一个numpy数组，其中每列代表一个展平的图像。应该有m_train（和m_test）列。
练习：重塑训练和测试数据集，以便将大小（num_px，num_px，3）的图像展平为单个形状的向量(num_px num_px
3, 1)。

当你想将维度为（a，b，c，d）的矩阵X展平为形状为(b
cd, a)的矩阵X_flatten时的一个技巧是：

# Reshape the training and test examples 

### START CODE HERE ### (≈ 2 lines of code)
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T
### END CODE HERE ###

print("train_set_x_flatten shape: " + str(train_set_x_flatten.shape))
print("train_set_y_shape:" + str(train_set_y.shape))
print("test_set_x_flatten shape: " + str(test_set_x_flatten.shape))
print("test_set_y shape: " + str(test_set_y.shape))
print("sanity check after reshaping: " + str(train_set_x_flatten[0:5,0]))

train_set_x_flatten shape: (12288, 209)
train_set_y_shape:(1, 209)
test_set_x_flatten shape: (12288, 50)
test_set_y shape: (1, 50)
sanity check after reshaping: [17 31 56 22 33]

为了表示彩色图像，必须为每个像素指定红、绿、蓝色通道（RGB），因此像素值实际上是一个从0到255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，这意味着你要从每个示例中减去整个numpy数组的均值，然后除以整个numpy数组的标准差。但是图片数据集则更为简单方便，并且只要将数据集的每一行除以255（像素通道的最大值），效果也差不多。

在训练模型期间，你将要乘以权重并向一些初始输入添加偏差以观察神经元的激活。然后，使用反向梯度传播以训练模型。但是，让特征具有相似的范围以至渐变不会爆炸是非常重要的。具体内容我们将在后面的教程中详细学习！

开始标准化我们的数据集吧！

train_set_x = train_set_x_flatten/255
test_set_x = test_set_x_flatten/255

你需要记住的内容：

预处理数据集的常见步骤是：

找出数据的尺寸和维度（m_train，m_test，num_px等）
重塑数据集，以使每个示例都是大小为（num_px \ num_px \ 3，1）的向量
“标准化”数据

学习算法的一般架构

现在是时候设计一种简单的算法来区分猫图像和非猫图像了
你将使用神经网络思维方式简历Logistics回归.下图说明了为什么逻辑回归实际上是一个非常简单的神经网络!

算法的数学表达式:
在这里插入图片描述

关键步骤
在本练习中,你将执行以下步骤:

初始化模型参数
通过最小损失来学习模型的参数
使用学习到的参数进行预测(在测试集上)
分析结果并得出结论

构建算法的各个部分

建立神经网络的主要步骤是:
1.定义模型的结构(例如输入特征的数量)
2.初始化模型的参数
3.循环:

计算当前损失(正向传播)
计算当前梯度 (向后传播)
更新参数（梯度下降）

你通常会分别构建1-3，然后将它们集成到一个称为“ model（）”的函数中。

辅助函数

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7j9M64eD-1623661224334)(attachment:image.png)]

def sigmoid(z):
    s = 1/(1+np.exp(-z))
    return s

print("sigmoid([0,2]) = " + str(sigmoid(np.array([0,2]))))

sigmoid([0,2]) = [0.5        0.88079708]

初始化参数

练习: 在下面的单元格中实现参数初始化,你必须将w初始化为零的向量, 如果你不知道要使用什么numpy函数，请在Numpy库的文档中查找np.zeros（）。

# GRADED FUNCTION: initialize_with_zeros 
def initialize_with_zeros(dim):
    """
    This function creates a vector of zeros of shape (dim, 1) for w and initializes b to 0.
    
    Argument:
    dim -- size of the w vector we want (or number of parameters in this case)
    
    Returns:
    w -- initialized vector of shape (dim, 1)
    b -- initialized scalar (corresponds to the bias)
    """
    
    ### START CODE HERE ### (≈ 1 line of code)
    w = np.zeros((dim,1))
    b = 0
    ### END CODE HERE ###
    
    assert(w.shape == (dim,1))
    assert(isinstance(b,float) or isinstance(b,int))
    
    return w,b

dim = 2
w,b = initialize_with_zeros(dim)
print("w = " + str(w))
print("b = " + str(b))

w = [[0.]
 [0.]]
b = 0

前向和后向传播

现在参数已经初始化,可以执行"向前"和"向后"传播步骤来学习参数
练习: 实现函数propagate() 来计算损失函数及其梯度
提示:
正向传播:
在这里插入图片描述

# GRADED FUNCTION: propagate

def propagate(w, b, X, Y):
    """
    Implement the cost function and its gradient for the propagation explained above

    Arguments:
    w -- weights, a numpy array of size (num_px * num_px * 3, 1)
    b -- bias, a scalar
    X -- data of size (num_px * num_px * 3, number of examples)
    Y -- true "label" vector (containing 0 if non-cat, 1 if cat) of size (1, number of examples)

    Return:
    cost -- negative log-likelihood cost for logistic regression
    dw -- gradient of the loss with respect to w, thus same shape as w
    db -- gradient of the loss with respect to b, thus same shape as b
    
    Tips:
    - Write your code step by step for the propagation. np.log(), np.dot()
    """
    
    m = X.shape[1]
    
    # FORWARD PROPAGATTION (FROM X TO COST)
    ### START CODE HERE ### (≈ 2 lines of code)
    A = sigmoid(np.dot(w.T,X) + b)      # compute activation 计算激活
    cost = -1 / m * np.sum(Y * np.log(A) + (1 - Y) * np.log(1 - A))
    ### END CODE HERE ###
    
    # BACKWARD PROPAGATION (TO FIND GRAD)
    ### START CODE HERE ### (≈ 2 lines of code)
    dw = 1/m * np.dot(X,(A - Y).T)
    db = 1/m * np.sum(A - Y)
    ### END CODE HERE ###
    assert(dw.shape == w.shape)
    assert(db.dtype == float)
    cost = np.squeeze(cost)
    assert(cost.shape == ())
    
    grads = {"dw": dw,
             "db": db}
    
    return grads,cost

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))

dw = [[0.99993216]
 [1.99980262]]
db = 0.49993523062470574
cost = 6.000064773192205

优化函数

初始化参数
计算损失函数及其梯度
使用梯度下降来更新参数

# GRADED FUNCTION: optimize

def optimize(w, b, X, Y, num_iterations, learning_rate, print_cost = False):
    """
    This function optimizes w and b by running a gradient descent algorithm
    
    Arguments:
    w -- weights, a numpy array of size (num_px * num_px * 3, 1)
    b -- bias, a scalar
    X -- data of shape (num_px * num_px * 3, number of examples)
    Y -- true "label" vector (containing 0 if non-cat, 1 if cat), of shape (1, number of examples)
    num_iterations -- number of iterations of the optimization loop
    learning_rate -- learning rate of the gradient descent update rule
    print_cost -- True to print the loss every 100 steps
    
    Returns:
    params -- dictionary containing the weights w and bias b
    grads -- dictionary containing the gradients of the weights and bias with respect to the cost function
    costs -- list of all the costs computed during the optimization, this will be used to plot the learning curve.
    
    Tips:
    You basically need to write down two steps and iterate through them:
        1) Calculate the cost and the gradient for the current parameters. Use propagate().
        2) Update the parameters using gradient descent rule for w and b.
    """
    
    costs = []
    
    for i in range(num_iterations):
        
        
        # Cost and gradient calculation (≈ 1-4 lines of code)
        ### START CODE HERE ### 
        grads, cost = propagate(w, b, X, Y)
        ### END CODE HERE ###
        
        # Retrieve derivatives from grads
        dw = grads["dw"]
        db = grads["db"]
        
        # update rule (≈ 2 lines of code)
        ### START CODE HERE ###
        w = w - learning_rate * dw
        b = b - learning_rate * db
        ### END CODE HERE ###
        
        # Record the costs
        if i % 100 == 0:
            costs.append(cost)
        
        # Print the cost every 100 training examples
        if print_cost and i % 100 == 0:
            print ("Cost after iteration %i: %f" %(i, cost))
    
    params = {"w": w,
              "b": b}
    
    grads = {"dw": dw,
             "db": db}
    
    return params, grads, costs

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"]))
print(costs)

w = [[0.1124579 ]
 [0.23106775]]
b = 1.5593049248448891
dw = [[0.90158428]
 [1.76250842]]
db = 0.4304620716786828
[6.000064773192205]

在这里插入图片描述

def predict(w,b,X):
    '''
    Predict whether the label is 0 or 1 using learned logistic regression parameters (w, b)
    
    Arguments:
    w -- weights, a numpy array of size (num_px * num_px * 3, 1)
    b -- bias, a scalar
    X -- data of size (num_px * num_px * 3, number of examples)
    
    Returns:
    Y_prediction -- a numpy array (vector) containing all predictions (0/1) for the examples in X
    '''
    
    m = X.shape[1]
    Y_prediction = np.zeros((1,m))
    w = w.reshape(X.shape[0],1)
    
    # Compute vector "A" predicting the probabilities of a cat being present in the picture
    ### START CODE HERE ### (≈ 1 line of code)
    A = sigmoid(np.dot(w.T,X) + b)
    # END CODE HERE 
    
    for i in range(A.shape[1]):
        # Convert probabilities A[0,i] to actual predictions p[0,i]
        ### START CODE HERE ### (≈ 4 lines of code)
        if A[0,i] <= 0.5:
            Y_prediction[0,i] = 0
        else:
            Y_prediction[0,i] = 1
        ### END CODE HERE 
    assert(Y_prediction.shape == (1,m))
    
    return Y_prediction

print ("predictions = " + str(predict(w, b, X)))

predictions = [[1. 1.]]

你需要记住以下几点：
你已经实现了以下几个函数：

初始化（w，b）
迭代优化损失以学习参数（w，b）：
        计算损失及其梯度
        使用梯度下降更新参数
使用学到的（w，b）来预测给定示例集的标签

将所有功能合并到模型中

现在，将所有构件（在上一部分中实现的功能）以正确的顺序放在一起，从而得到整体的模型结构。

练习：实现模型功能，使用以下符号：

     Y_prediction对测试集的预测
     Y_prediction_train对训练集的预测
     w，损失，optimize（）输出的梯度

d = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations = 5000, learning_rate = 0.005, print_cost = True)

Cost after iteration 0: 0.693147
Cost after iteration 100: 0.584508
Cost after iteration 200: 0.466949
Cost after iteration 300: 0.376007
Cost after iteration 400: 0.331463
Cost after iteration 500: 0.303273
Cost after iteration 600: 0.279880
Cost after iteration 700: 0.260042
Cost after iteration 800: 0.242941
Cost after iteration 900: 0.228004
Cost after iteration 1000: 0.214820
Cost after iteration 1100: 0.203078
Cost after iteration 1200: 0.192544
Cost after iteration 1300: 0.183033
Cost after iteration 1400: 0.174399
Cost after iteration 1500: 0.166521
Cost after iteration 1600: 0.159305
Cost after iteration 1700: 0.152667
Cost after iteration 1800: 0.146542
Cost after iteration 1900: 0.140872
Cost after iteration 2000: 0.135608
Cost after iteration 2100: 0.130708
Cost after iteration 2200: 0.126137
Cost after iteration 2300: 0.121861
Cost after iteration 2400: 0.117855
Cost after iteration 2500: 0.114093
Cost after iteration 2600: 0.110554
Cost after iteration 2700: 0.107219
Cost after iteration 2800: 0.104072
Cost after iteration 2900: 0.101097
Cost after iteration 3000: 0.098280
Cost after iteration 3100: 0.095610
Cost after iteration 3200: 0.093075
Cost after iteration 3300: 0.090667
Cost after iteration 3400: 0.088374
Cost after iteration 3500: 0.086190
Cost after iteration 3600: 0.084108
Cost after iteration 3700: 0.082119
Cost after iteration 3800: 0.080219
Cost after iteration 3900: 0.078402
Cost after iteration 4000: 0.076662
Cost after iteration 4100: 0.074994
Cost after iteration 4200: 0.073395
Cost after iteration 4300: 0.071860
Cost after iteration 4400: 0.070385
Cost after iteration 4500: 0.068968
Cost after iteration 4600: 0.067604
Cost after iteration 4700: 0.066291
Cost after iteration 4800: 0.065027
Cost after iteration 4900: 0.063807
train accuracy: 100.0 %
test accuracy: 70.0 %

test_set_x.shape

(12288, 50)

# Example of a picture that was wrongly classified
index = 2
plt.imshow(test_set_x[:,index].reshape((num_px,num_px,3)))
print("y = " + str(test_set_y[0,index]) + ", you predicted that it is a \"" + classes[int(d["Y_prediction_test"][0,index])].decode("utf-8") + "\"picture.")

y = 1, you predicted that it is a "cat"picture.

让我们绘制损失函数和梯度吧

costs = np.squeeze(d['costs'])
len(costs)

# Plot learning curve (with costs)
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()

在这里插入图片描述

解释:
损失下降表明正在学习参数。但是，你看到可以在训练集上训练更多模型。尝试增加上面单元格中的迭代次数，然后重新运行这些单元格。你可能会看到训练集准确性提高了，但是测试集准确性却降低了。这称为过度拟合。

进一步分析（可选练习）

建立了第一个图像分类模型。让我们对其进行进一步分析，并研究如何选择学习率。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-D6sLfP27-1623661224343)(attachment:image.png)]

学习率的选择

提醒：
为了使梯度下降起作用，你必须明智地选择学习率。学习率

决定我们更新参数的速度。如果学习率太大，我们可能会“超出”最佳值。同样，如果太小，将需要更多的迭代才能收敛到最佳值。这也是为什么调整好学习率至关重要。

让我们将模型的学习曲线与选择的几种学习率进行比较。运行下面的单元格。这大约需要1分钟。还可以尝试与我们初始化要包含的“ learning_rates”变量的三个值不同的值，然后看看会发生什么。

learning_rates = [0.01,0.001,0.0001]
models = {}
for i in learning_rates:
    print("learning rate is:" ,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()

learning rate is: 0.01
train accuracy: 99.52153110047847 %
test accuracy: 68.0 %

-------------------------------------------------------

learning rate is: 0.001
train accuracy: 88.99521531100478 %
test accuracy: 64.0 %

-------------------------------------------------------

learning rate is: 0.0001
train accuracy: 68.42105263157895 %
test accuracy: 36.0 %

-------------------------------------------------------

在这里插入图片描述

解释：

不同的学习率会带来不同的损失，因此会有不同的预测结果。
如果学习率太大（0.01），则成本可能会上下波动。 它甚至可能会发散（尽管在此示例中，使用0.01最终仍会以较高的损失值获得收益）。
较低的损失并不意味着模型效果很好。当训练精度比测试精度高很多时，就会发生过拟合情况。
在深度学习中，我们通常建议你：
         选择好能最小化损失函数的学习率。
         如果模型过度拟合，请使用其他方法来减少过度拟合。 （我们将在后面的教程中讨论。）

使用自己的图像进行测试

可以使用自己的图像并查看模型的预测输出。要做到这一点：
1.单击此笔记本上部栏中的 “File”，然后单击"Open" 以在Coursera Hub上运行。
2.将图像添加到Jupyter Notebook的目录中，在"images"文件夹中
3.在以下代码中更改图像的名称
4.运行代码，检查算法是否正确（1 = cat，0 = non-cat）！

fname = './images/cat_in_iran.jpg'
image = np.array(plt.imread(fname))
from PIL import Image
my_image = np.array(Image.fromarray(image).resize((num_px,num_px))).reshape((1, num_px*num_px*3)).T
my_predicted_image = predict(d["w"], d["b"], my_image)

plt.imshow(image)
print("y = " + str(np.squeeze(my_predicted_image)) + ", your algorithm predicts a \"" + classes[int(np.squeeze(my_predicted_image)),].decode("utf-8") +  "\" picture.")

y = 1.0, your algorithm predicts a "cat" picture.

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6J3ZpgrZ-1623661224347)(output_44_1.png)]

总结

1.预处理数据集很重要
2.如何实现每个函数: initialize(),propagation(),optimize(),并用此构建一个model()
3.调整学习速率(这是"超参数"的一个示例) 可以对算法产生很大的影响。你将在本课程的稍后部分看到更多示例！

参考资料

http://www.wildml.com/2015/09/implementing-a-neural-network-from-scratch/
https://stats.stackexchange.com/questions/211436/why-do-we-normalize-images-by-subtracting-the-datasets-image-mean-and-not-the-c

https://zhuanlan.zhihu.com/p/95510114

数据闲逛人

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
L1W2用神经网络思想实现Logistic回归

文章目录安装包问题概述学习算法的一般架构构建算法的各个部分辅助函数初始化参数前向和后向传播优化函数将所有功能合并到模型中进一步分析（可选练习）使用自己的图像进行测试总结参考资料**目标:**逐步了解神经网络的思维方式，同时磨练你对深度学习的直觉。说明：除非指令中明确要求使用，否则请勿在代码中使用循环（for / while）。学习内容:建立学习算法的一般架构，包括：初始化参数计算损失函数及其梯度使用优化算法（梯度下降）按正确的顺序将以上所有三个功能集成到一个主模型上
复制链接

扫一扫