具有神经网络思维的Logistic回归课后作业

具有神经网络思维的Logistic回归课后作业

前期准备：

1. 下载吴恩达给的资料。该资料中应该包含 lr_utils.py 文件和datasets文件夹。注意lr_utils.py文件和datasets文件夹都应该与主要代码在同一级的文件夹下且同一级目录下。
   

实验过程

第一步：导入库

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

最后一句中的lr_utils 和load_dataset 都是下载的吴恩达老师的内容，只要从网上下载下来之后放到前面所说的指定位置即可。

第二步：前期实验

一、导入数据进入主程序

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

• 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’]。

二、打开datasets文件夹中的测试图片

plt.imshow(train_set_x_orig[25])
plt.waitforbuttonpress()

只用plt.imshow()函数无法打开测试图片，需要加上下面的plt.waitforbuttonpress()函数

三、打印测试集和训练集中的图片信息

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）

shape[0]：表示矩阵的行数
shape[1]：表示矩阵的列数
因为 train_set_y.shape 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）是由一维数组保存的，所以train_set_y.shape[1]可以用列数来计算图片的数量。同理test_set_y.shape[1]也用列数来计算测试集中的图片数量。

• 问题：为什么train_set_x_orig.shape[1] 可以表示图片的长宽，而把代码改成train_set_x_orig.shape[0]之后则输出的是图片的数量209。
• 解答：train_set_x_orig 是一个维度为(m_​​train，num_px，num_px，3）的数组，train_set_x_orig.shape[0]是数组中的m_train项，代表的是训练集里的图片数量，train_set_x_orig.shape[1]是数组中的num_px项，代表的是训练、测试集中的图片宽度和高度。

打印数据集和训练集中的图片数据：

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_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))

输出结果：

四、降维

• 将（64，64，3）的numpy数组降维成（64x64x3 ，1） 之所以可以写成64x64x3的形式，是因为每个图片是由64x64个像素点组成，每个像素点由（R，G，B）原色构成。

• 降维代码：

#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

• 降维解释： 降维是指在某些限定条件下，降低随机变量个数，得到一组“不相关”主变量的过程。 降维可进一步细分为变量选择和特征提取两大方法。（这个地方就把保存图片的三维数组转化成了一维数组）
• reshape函数： 这个函数的作用是在不改变数据内容的情况下，改变一个数组的格式。列如把3行4列数组改成2行6列数组，a = a.reshape((2,6))
• train_set_x_orig.reshape(train_set_x_orig.shape[0],-1).T： 这行代码中train_set_x_orig.shape[0]的值是50，可是为啥是50，-1是什么意思？

五、数学表达式

$z^{(i)}=w^T{x}^{(i)}+b$
${\hat{y}}^{(i)}=a^{(i)}=sigmoid(z^{(i)})$
$L(a^{(i)},y^{(i)})=-y^{(i)}log(a^{(i)})-(1-y^{(i)})log(1-a^{(i)})$