deep learning编程作业总结1---喵咪识别

参考博客：https://blog.csdn.net/u013733326/article/details/79639509

                  https://blog.csdn.net/weixin_39516045/article/details/95668011

一、准备工作

1.1理论基础

 本周主要学习了逻辑回归的理论部分，因此编程作业是基于逻辑回归算法的喵咪识别，采用神经网络思维实现，逻辑回归属于监督学习的一种分类算法，其实就是利用回归的方法来处理分类问题，举个例子：如果现在我们拥有了某人的饮食习惯，作息时间等信息，那么如何利用逻辑回归算法来判断这个人是否患有肿瘤呢？首先面对多组输入数据，该算法会利用多元线性回归找到一条最佳的拟合曲线，在这期间需要通过梯度下降来提高曲线的拟合度，得到了这条曲线之后，就可以预测到这个人的肿瘤块有多大，随后再通过激活函数来判断肿瘤块的大小是否超过了阈值，如果超过那么这个人就患有恶性肿瘤，反之则健康。这样就利用了回归的方法完成了二分类。

算法用到公式如下所示，其中X(i)表示输入第i个样本，式（1）为拟合曲线，式（2）为利用激活函数得到预测值，式（3）为所示函数。

 

1.2数据集描述

因为这个作业是要完成喵咪的识别，所以本来输入应为图片，但是考虑到采用向量的简便性，所以数据集是由图片转化而成的向量数据。用python的Fileh5格式存储。

图片为什么能转变为向量？

电脑中的图片是以RGB编码形式存储的，因此一张图片可以用像素来表示，如下图。

 

 二、实验步骤

采用python代码编写,流程图如下所示：

三、实验分析

当改变学习率的时候，实验准确度会不断变化，当学习率越小，一般需要加大迭代次数来优化实验结果。综合比较下发现当学习率为0.01,迭代次数为1500的时候分类器性能较好，准确度为70%。