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