深度学习| 能识别猫的简单神经网络

吴恩达深度数据集学习的课后编程作业，建立能识别猫的简单神经网络具体资料见末尾的参考博客，本文是跟着它过了一遍的梳理。
我用的环境是天池的notebook，不用自己安装环境就很爽。

• 1 载入需要的库：

import numpy as np #python进行科学计算的基本软件包
import matplotlib.pyplot as plt#绘制图表
import h5py#是与H5文件中存储的数据集进行交互的常用软件包
from lr_utils import load_dataset

• 2 加载数据

#将资料包中的数据加载到主程序中
train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset()

可以查看里面的数据，比如查看第26张图片：

index=25
plt.imshow(train_set_x_orig[index])

运行结果：
看一下训练集的数据：

#打印出当前的训练标签值
#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
print("y=" + str(train_set_y[:,index]) + ", it's a " + classes[np.squeeze(train_set_y[:,index])].decode("utf-8") + "' picture")

查看一下数据集的各种信息：

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）。train_set_x_orig 是一个维度为(m_​​train，num_px，num_px，3）的数组

#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)")
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))

• 预处理数据，需要把维度为（63，63，3）的numpy数组重新构造成（64643，1）的数组。
• 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并且查看降维之后的情况：

#X_flatten=X.reshape(X.shape[0],-1).T #T代表转置
#将训练集和测试集的维度降低并转置
#-1会让程序自动帮你算原本有多少列
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
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))

• 标准化数据集：

train_set_x=train_set_x_flatten/255
test_set_x=test_set_x_flatten/255

• 3 构建神经网络

• 数学公式：

  • （1）线性模型
  • （2）激活函数
  • （3）损失函数
  • （4）训练成本
    

• 构建神经网络的主要步骤：

  • 1 定义模型结构（例如输出特征数量）
  • 2 初始化模型参数
  • 3 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）

• 构建sigmoid函数并测试,sigmoid（w ^ T x + b）：

def sigmoid(z):
    s=1/(1+np.exp(-z))
    return s
#测试sigmoid()
print("====================测试sigmoid====================")
print ("sigmoid(0) = " + str(sigmoid(0)))
pr