1. 带有一个隐藏层的平面数据分类

NLP菜鸟

已于 2022-08-29 20:54:52 修改

阅读量324

点赞数 2

分类专栏：深度学习文章标签：分类机器学习

于 2022-08-14 16:27:58 首次发布

本文链接：https://blog.csdn.net/qq_45069496/article/details/126323529

版权

深度学习专栏收录该内容

12 篇文章 1 订阅

订阅专栏

本文主要参考了严宽大神的学习笔记，并在其基础上补充了一点内容，点此查看原文。
使用 jupyter notebook 运行本文代码时，请先在目录下创建 testCases.py 和 planar_utils.py 文件，其代码在文末。

import numpy as np
import matplotlib.pyplot as plt
from testCases import *       # 提供一些测试实例来评估函数的正确性
import sklearn
import sklearn.datasets
import sklearn.linear_model
# 提供了在这个任务中使用的各种有用的功能
from planar_utils import plot_decision_boundary, sigmoid, load_planar_dataset, load_extra_datasets

np.random.seed(1)  # 设置一个固定的随机种子，以保证接下来的步骤我们的结果是一致的

1. 加载和查看数据集

首先，我们来看看我们将要使用的数据集，下面的代码会将一个花的图案的 2 分类数据集加载到变量 X 和 Y 中，然后使用 matplotlib 可视化数据集。

# 将一个花的图案的2分类数据集加载到变量 X 和 Y 中
X, Y = load_planar_dataset()

# 绘制散点图
plt.scatter(X[0, :], X[1, :], c=np.squeeze(Y), s=40, cmap=plt.cm.Spectral)

在这里插入图片描述
数据看起来像是一些红色（y = 0）和一些蓝色（y = 1）的数据点的花朵的图案。我们的目标是构建一个模型来适应这些数据。现在，我们已经有了一下数据
① X：一个 numpy 矩阵，包含了这些数据点的数值
② Y：一个 numpy 向量，包含了这些数据点对应的标签【0 | 1】（红色：0，蓝色：1）

shape_X = X.shape   # X 的维度        (2, 400)
shape_Y = Y.shape   # Y 的维度        (1, 400)
m = Y.shape[1]     # 训练集里面的数量  400

print("X 的维度为：" + str(shape_X))
print("Y 的维度为：" + str(shape_Y))
print("数据集里面的数据有：" + str(m) + " 个")

2. 逻辑回归

在构建完整的神经网络之前，先让我们看看逻辑回归在这个问题上的表现如何，我们可以使用 sklearn 的内置函数来做到这一点，运行下面的代码来训练数据集上的逻辑回归分类器。

clf = sklearn.linear_model.LogisticRegressionCV()
clf.fit(X.T, Y.T)

我们可以把逻辑回归分类器的分类结果绘制出来，逻辑回归的准确性的计算公式为： $accuracy = y·y_{predict} + (1 - y)·(1 - y_{predict})$

plot_decision_boundary(lambda x: clf.predict(x), X, Y)   # 绘制决策边界
plt.title("Logistic Regression")   # 图标题
LR_predictions = clf.predict(X.T)  # 预测结果 
print ("逻辑回归的准确性： %d " % float((np.dot(Y, LR_predictions) + np.dot(1 - Y,1 - LR_predictions)) 
        / float(Y.size) * 100) + "% " + "(正确标记的数据点所占的百分比)")    # 47%

在这里插入图片描述
这里准确率只有 47% 的原因是数据集是非线性可分的，所以逻辑回归表现不佳，现在我们正式开始构建神经网络。

3. 搭建神经网络

我们要搭建的神经网络模型如下图：
在这里插入图片描述
当然，我们还有一系列的理论推导（不懂可以去仔细看看视频）：
对于 $x^{(i)}$ 而言，这里第一层激活函数用 $t anh$ ，第二层激活函数用 $s i g m o i d$ ： $z^{[1](i)}=W^{[1]}x^{(i)}+b^{[1](i)} \tag{1}$ $a^{[1](i)}=tanh(z^{[1](i)}) \tag{2}$ $z^{[2](i)}=W^{[2]}a^{[1](i)}+b^{[2](i)} \tag{3}$ $a^{[2](i)}=sigmoid(z^{[2](i)}) \tag{4}$ $\hat{y}^{(i)}=\left\{ \begin{matrix} 1 & , & a^{[2](i)} \geq 0.5 \\ 0 & , & a^{[2](i)} < 0.5 \end{matrix} \right. \tag{5}$ 给出所有示例的预测结果，可以按如下方式计算成本 J： $-\frac{1}{m}\sum_{i=0}^{m}{\Big(y^{(i)}\log (a^{[2](i)})+(1 - y^{(i)})\log(1 - a^{[2](i)})\Big)} \tag{6}$ 构建神经网络的一般方法是：
1.定义神经网络结构（输入单元的数量，隐藏单元的数量等）
2.初始化模型的参数
3.循环
（1）前向传播
（2）计算损失
（3）后向传播
（4）更新参数（梯度下降）
分别完成上述步骤后，再将其整合到一个 nn_model() 函数中，当我们构建好了 nn_model() 并学习到了正确的参数，我们就可以预测新的数据。

1. 定义神经网络

在构建之前，我们要先把神经网络的结构给定义好：

n_x：输入层的节点数量
n_h：隐藏层的节点数量（这里设置为 4）
n_y：输出层的节点数量

def layer_sizes(X , Y):
    """
    参数：
     X - 输入数据集,维度为（输入的数量，训练/测试的数量）
     Y - 标签，维度为（输出的数量，训练/测试数量）
    
    返回：
     n_x - 输入层的节点数量
     n_h - 隐藏层的节点数量
     n_y - 输出层的节点数量
    """
    n_x = X.shape[0] #输入层
    n_h = 4          #隐藏层
    n_y = Y.shape[0] #输出层
    
    return (n_x, n_h, n_y)

#测试layer_sizes
print("=========================测试layer_sizes=========================")
X_asses , Y_asses = layer_sizes_test_case()
(n_x,n_h,n_y) =  layer_sizes(X_asses,Y_asses)
print("输入层的节点数量为: n_x = " + str(n_x))      # 输入层的节点数量为: n_x = 5
print("隐藏层的节点数量为: n_h = " + str(n_h))      # 隐藏层的节点数量为: n_h = 4
print("输出层的节点数量为: n_y = " + str(n_y))      # 输出层的节点数量为: n_y = 2

2. 初始化模型参数

我们将会用随机值初始化权重矩阵：

np.random.randn(a, b) * 0.01：利用正态分布随机初始化一个维度为 (a, b) ，值在 0~0.01 的矩阵

def initialize_parameters(n_x, n_h, n_y):
    """
    参数：
        n_x - 输入层节点的数量
        n_h - 隐藏层节点的数量
        n_y - 输出层节点的数量
    
    返回：
        parameters - 包含参数的字典：
            W1 - 权重矩阵,维度为（n_h，n_x）
            b1 - 偏向量，维度为（n_h，1）
            W2 - 权重矩阵，维度为（n_y，n_h）
            b2 - 偏向量，维度为（n_y，1）

    """
    np.random.seed(2)   # 指定一个随机种子，以便你的输出与我们的一样
    W1 = np.random.randn(n_h, n_x) * 0.01
    b1 = np.zeros(shape=(n_h, 1))
    W2 = np.random.randn(n_y, n_h) * 0.01
    b2 = np.zeros(shape=(n_y, 1))
    
    # 使用断言确保我的数据格式是正确的
    assert(W1.shape == ( n_h , n_x ))
    assert(b1.shape == ( n_h , 1 ))
    assert(W2.shape == ( n_y , n_h ))
    assert(b2.shape == ( n_y , 1 ))
    
    parameters = {"W1": W1,
                  "b1": b1,
                  "W2": W2,
                  "b2": b2}
    
    return parameters

#测试initialize_parameters
print("=========================测试initialize_parameters=========================")    
n_x , n_h , n_y = initialize_parameters_test_case()
parameters = initialize_parameters(n_x , n_h , n_y)
print("W1 = " + str(parameters["W1"]))
print("b1 = " + str(parameters["b1"]))
print("W2 = " + str(parameters["W2"]))
print("b2 = " + str(parameters["b2"]))

3. 循环

（1）前向传播

前向传播的步骤如下：

使用字典类型的 parameters（它是 initialize_parameters() 的输出）检索每个参数
实现前向传播，计算 $Z^{[1]},A^{[1]},Z^{[2]},A^{[2]}$ （训练集里面所有例子的预测向量）
反向传播所需的值存储在 cache 中，cache 将作为反向传播函数的输入

def forward_propagation(X, parameters):
    """
    参数：
         X - 维度为（n_x，m）的输入数据。
         parameters - 初始化函数（initialize_parameters）的输出
    
    返回：
         A2 - 使用sigmoid()函数计算的第二次激活后的数值
         cache - 包含“Z1”，“A1”，“Z2”和“A2”的字典类型变量
     """
    W1 = parameters["W1"]
    b1 = parameters["b1"]
    W2 = parameters["W2"]
    b2 = parameters["b2"]
    
    # 前向传播计算 A2
    Z1 = np.dot(W1, X) + b1
    A1 = np.tanh(Z1)
    Z2 = np.dot(W2, A1) + b2
    A2 = sigmoid(Z2)
    
    # 使用断言确保我的数据格式是正确的
    assert(A2.shape == (1, X.shape[1]))
    
    cache = {"Z1": Z1,
             "A1": A1,
             "Z2": Z2,
             "A2": A2}
    
    return (A2, cache)

#测试forward_propagation
print("=========================测试forward_propagation=========================") 
X_assess, parameters = forward_propagation_test_case()
A2, cache = forward_propagation(X_assess, parameters)
print(np.mean(cache["Z1"]), np.mean(cache["A1"]), np.mean(cache["Z2"]), np.mean(cache["A2"]))

（2）计算损失

可以按如下方式计算成本 J： $-\frac{1}{m}\sum_{i=0}^{m}{\Big(y^{(i)}\log (a^{[2](i)})+(1 - y^{(i)})\log(1 - a^{[2](i)})\Big)} \tag{6}$

def compute_cost(A2, Y, parameters):
    """
    计算方程（6）中给出的交叉熵成本，
    
    参数：
         A2 - 使用sigmoid()函数计算的第二次激活后的数值
         Y - "True"标签向量,维度为（1，数量）
         parameters - 一个包含W1，B1，W2和B2的字典类型的变量
    
    返回：
         成本 - 交叉熵成本
    """
    m = Y.shape[1]
    W1 = parameters["W1"]
    W2 = parameters["W2"]
    
    # 计算成本
    logprobs = np.multiply(np.log(A2), Y) + np.multiply((1 - Y), np.log(1 - A2))
    cost = -np.sum(logprobs) / m
    cost = float(np.squeeze(cost))
    
    assert(isinstance(cost, float))
    
    return cost

测试一下我们的成本函数：

#测试compute_cost
print("=========================测试compute_cost=========================") 
A2 , Y_assess , parameters = compute_cost_test_case()
print("cost = " + str(compute_cost(A2,Y_assess,parameters)))   # cost = 0.6929198937761266

使用正向传播期间计算的 cache，现在可以利用它实现反向传播。

（3）后向传播

反向传播就是从后往前推导进而求出十分复杂的导数，根据反向传播的公式以及链式求导法则，可以得出各个偏导数的公式：
在这里插入图片描述

为了计算 $d Z 1$ ，这里需要计算 $g^{[1]'}(Z^{[1]})$ ，其中 $g^{[1]}(\dots)$ 是 $t anh$ 激活函数，如果 $a=g^{[1]}(z)$ ，那么 $g^{[1]'}(z)=1 -a^2$ 。所以我们需要使用 (1 - np.power(A1, 2)) 来计算 $g^{[1]'}(Z^{[1]})$ 。

def backward_propagation(parameters, cache, X, Y):
    """
    使用上述说明搭建反向传播函数。
    
    参数：
     parameters - 包含我们的参数的一个字典类型的变量。
     cache - 包含“Z1”，“A1”，“Z2”和“A2”的字典类型的变量。
     X - 输入数据，维度为（2，数量）
     Y - “True”标签，维度为（1，数量）
    
    返回：
     grads - 包含W和b的导数一个字典类型的变量。
    """
    m = X.shape[1]
    
    W1 = parameters["W1"]
    W2 = parameters["W2"]
    
    A1 = cache["A1"]
    A2 = cache["A2"]
    
    dZ2 = A2 - Y
    dW2 = (1 / m) * np.dot(dZ2, A1.T)
    db2 = (1 / m) * np.sum(dZ2, axis=1, keepdims=True)
    dZ1 = np.multiply(np.dot(W2.T, dZ2), 1 - np.power(A1, 2))
    dW1 = (1 / m) * np.dot(dZ1, X.T)
    db1 = (1 / m) * np.sum(dZ1, axis=1, keepdims=True)
    
    grads = {"dW1": dW1,
             "db1": db1, 
             "dW2": dW2,
             "db2": db2}
    
    return grads

测试一下反向传播函数：

#测试backward_propagation
print("=========================测试backward_propagation=========================")
parameters, cache, X_assess, Y_assess = backward_propagation_test_case()

grads = backward_propagation(parameters, cache, X_assess, Y_assess)
print ("dW1 = "+ str(grads["dW1"]))
print ("db1 = "+ str(grads["db1"]))
print ("dW2 = "+ str(grads["dW2"]))
print ("db2 = "+ str(grads["db2"]))

（4）更新参数

我们需要使用 $(d W 1, d b 1, d W 2, d b 2)$ 来更新 $(W 1, b 1, W 2, b 2)$ 。
更新算法如下： $\theta := \theta - \alpha \frac{\partial J}{\partial \theta}$ 其中 $\alpha$ 是学习率， $\theta$ 就是 $(b, W)$ 组成的参数向量。
一下两个图分别代表了具有良好学习速率（收敛）和不良学习速率（发散）的梯度下降算法。
在这里插入图片描述

def update_parameters(parameters, grads, learning_rate=1.2):
    """
    使用上面给出的梯度下降更新规则更新参数
    
    参数：
     parameters - 包含参数的字典类型的变量。
     grads - 包含导数值的字典类型的变量。
     learning_rate - 学习速率
    
    返回：
     parameters - 包含更新参数的字典类型的变量。
    """
    W1, W2 = parameters["W1"], parameters["W2"]
    b1, b2 = parameters["b1"], parameters["b2"]
    
    dW1, dW2 = grads["dW1"], grads["dW2"]
    db1, db2 = grads["db1"], grads["db2"]
    
    W1 = W1 - learning_rate * dW1
    b1 = b1 - learning_rate * db1
    W2 = W2 - learning_rate * dW2
    b2 = b2 - learning_rate * db2
    
    parameters = {"W1": W1,
                  "b1": b1,
                  "W2": W2,
                  "b2": b2}
    
    return parameters

测试一下update_parameters()：

print("=========================测试update_parameters=========================")
parameters, grads = update_parameters_test_case()
parameters = update_parameters(parameters, grads)

print("W1 = " + str(parameters["W1"]))
print("b1 = " + str(parameters["b1"]))
print("W2 = " + str(parameters["W2"]))
print("b2 = " + str(parameters["b2"]))

4. 整合

我们现在把上面的东西整合到 nn_model() 中，神经网络i模型必须以正确的顺序使用先前的功能。

def nn_model(X, Y, n_h, num_iterations, print_cost=False):
    """
    参数：
        X - 数据集,维度为（2，示例数）
        Y - 标签，维度为（1，示例数）
        n_h - 隐藏层的数量
        num_iterations - 梯度下降循环中的迭代次数
        print_cost - 如果为True，则每1000次迭代打印一次成本数值
    
    返回：
        parameters - 模型学习的参数，它们可以用来进行预测。
     """
     
    np.random.seed(3) #指定随机种子
    n_x = layer_sizes(X, Y)[0]
    n_y = layer_sizes(X, Y)[2]
    
    parameters = initialize_parameters(n_x, n_h, n_y)
    W1 = parameters["W1"]
    b1 = parameters["b1"]
    W2 = parameters["W2"]
    b2 = parameters["b2"]
    
    for i in range(num_iterations):
        A2 , cache = forward_propagation(X, parameters)
        cost = compute_cost(A2, Y, parameters)
        grads = backward_propagation(parameters, cache, X, Y)
        parameters = update_parameters(parameters, grads, learning_rate = 0.5)
        
        if print_cost:
            if i%1000 == 0:
                print("第 ",i," 次循环，成本为："+str(cost))
    return parameters

测试 nn_model()：

print("=========================测试nn_model=========================")
X_assess, Y_assess = nn_model_test_case()

parameters = nn_model(X_assess, Y_assess, 4, num_iterations=10000, print_cost=False)
print("W1 = " + str(parameters["W1"]))
print("b1 = " + str(parameters["b1"]))
print("W2 = " + str(parameters["W2"]))
print("b2 = " + str(parameters["b2"]))

5. 预测

构建 predict() 来使用模型进行预测，使用向前传播来预测结果。

def predict(parameters, X):
    """
    使用学习的参数，为X中的每个示例预测一个类
    
    参数：
        parameters - 包含参数的字典类型的变量。
        X - 输入数据（n_x，m）
    
    返回
        predictions - 我们模型预测的向量（红色：0 /蓝色：1）
     
     """
    A2, cache = forward_propagation(X, parameters)
    predictions = np.round(A2)   # 将数字四舍五入为整数
    
    return predictions

测试 predict()：

print("=========================测试predict=========================")

parameters, X_assess = predict_test_case()

predictions = predict(parameters, X_assess)
print("预测的平均值 = " + str(np.mean(predictions)))

6. 运行模型

parameters = nn_model(X, Y, n_h = 4, num_iterations=10000, print_cost=True)

# 绘制边界
plot_decision_boundary(lambda x: predict(parameters, x.T), X, Y)
plt.title("Decision Boundary for hidden layer size " + str(4))

predictions = predict(parameters, X)
print("准确率：%d" % float((np.dot(Y, predictions.T) + np.dot(1 - Y, 1 - predictions.T)) / float(Y.size) * 100) + '%')

运行结果：
在这里插入图片描述

7. 更改隐藏层节点数量

plt.figure(figsize=(16, 32))
hidden_layer_sizes = [1, 2, 3, 4, 5, 20, 50]  # 隐藏层数量
for i, n_h in enumerate(hidden_layer_sizes):
    plt.subplot(5, 2, i + 1)
    plt.title('Hidden Layer of size %d' % n_h)
    parameters = nn_model(X, Y, n_h, num_iterations=5000)
    plot_decision_boundary(lambda x: predict(parameters, x.T), X, Y)
    predictions = predict(parameters, X)
    accuracy = float((np.dot(Y, predictions.T) + np.dot(1 - Y, 1 - predictions.T)) / float(Y.size) * 100)
    print ("隐藏层的节点数量： {}  ，准确率: {} %".format(n_h, accuracy))

运行结果：
隐藏层的节点数量： 1 ，准确率: 67.25 %
隐藏层的节点数量： 2 ，准确率: 66.5 %
隐藏层的节点数量： 3 ，准确率: 89.25 %
隐藏层的节点数量： 4 ，准确率: 90.0 %
隐藏层的节点数量： 5 ，准确率: 89.75 %
隐藏层的节点数量： 20 ，准确率: 90.0 %
隐藏层的节点数量： 50 ，准确率: 89.75 %
在这里插入图片描述

4. testCases 和 planar_utils 文件

1. testCases.py

#-*- coding: UTF-8 -*-
"""
# WANGZHE12
"""
import numpy as np

def layer_sizes_test_case():
    np.random.seed(1)
    X_assess = np.random.randn(5, 3)
    Y_assess = np.random.randn(2, 3)
    return X_assess, Y_assess

def initialize_parameters_test_case():
    n_x, n_h, n_y = 2, 4, 1
    return n_x, n_h, n_y

def forward_propagation_test_case():
    np.random.seed(1)
    X_assess = np.random.randn(2, 3)

    parameters = {'W1': np.array([[-0.00416758, -0.00056267],
        [-0.02136196,  0.01640271],
        [-0.01793436, -0.00841747],
        [ 0.00502881, -0.01245288]]),
     'W2': np.array([[-0.01057952, -0.00909008,  0.00551454,  0.02292208]]),
     'b1': np.array([[ 0.],
        [ 0.],
        [ 0.],
        [ 0.]]),
     'b2': np.array([[ 0.]])}

    return X_assess, parameters

def compute_cost_test_case():
    np.random.seed(1)
    Y_assess = np.random.randn(1, 3)
    parameters = {'W1': np.array([[-0.00416758, -0.00056267],
        [-0.02136196,  0.01640271],
        [-0.01793436, -0.00841747],
        [ 0.00502881, -0.01245288]]),
     'W2': np.array([[-0.01057952, -0.00909008,  0.00551454,  0.02292208]]),
     'b1': np.array([[ 0.],
        [ 0.],
        [ 0.],
        [ 0.]]),
     'b2': np.array([[ 0.]])}

    a2 = (np.array([[ 0.5002307 ,  0.49985831,  0.50023963]]))

    return a2, Y_assess, parameters

def backward_propagation_test_case():
    np.random.seed(1)
    X_assess = np.random.randn(2, 3)
    Y_assess = np.random.randn(1, 3)
    parameters = {'W1': np.array([[-0.00416758, -0.00056267],
        [-0.02136196,  0.01640271],
        [-0.01793436, -0.00841747],
        [ 0.00502881, -0.01245288]]),
     'W2': np.array([[-0.01057952, -0.00909008,  0.00551454,  0.02292208]]),
     'b1': np.array([[ 0.],
        [ 0.],
        [ 0.],
        [ 0.]]),
     'b2': np.array([[ 0.]])}

    cache = {'A1': np.array([[-0.00616578,  0.0020626 ,  0.00349619],
         [-0.05225116,  0.02725659, -0.02646251],
         [-0.02009721,  0.0036869 ,  0.02883756],
         [ 0.02152675, -0.01385234,  0.02599885]]),
  'A2': np.array([[ 0.5002307 ,  0.49985831,  0.50023963]]),
  'Z1': np.array([[-0.00616586,  0.0020626 ,  0.0034962 ],
         [-0.05229879,  0.02726335, -0.02646869],
         [-0.02009991,  0.00368692,  0.02884556],
         [ 0.02153007, -0.01385322,  0.02600471]]),
  'Z2': np.array([[ 0.00092281, -0.00056678,  0.00095853]])}
    return parameters, cache, X_assess, Y_assess

def update_parameters_test_case():
    parameters = {'W1': np.array([[-0.00615039,  0.0169021 ],
        [-0.02311792,  0.03137121],
        [-0.0169217 , -0.01752545],
        [ 0.00935436, -0.05018221]]),
 'W2': np.array([[-0.0104319 , -0.04019007,  0.01607211,  0.04440255]]),
 'b1': np.array([[ -8.97523455e-07],
        [  8.15562092e-06],
        [  6.04810633e-07],
        [ -2.54560700e-06]]),
 'b2': np.array([[  9.14954378e-05]])}

    grads = {'dW1': np.array([[ 0.00023322, -0.00205423],
        [ 0.00082222, -0.00700776],
        [-0.00031831,  0.0028636 ],
        [-0.00092857,  0.00809933]]),
 'dW2': np.array([[ -1.75740039e-05,   3.70231337e-03,  -1.25683095e-03,
          -2.55715317e-03]]),
 'db1': np.array([[  1.05570087e-07],
        [ -3.81814487e-06],
        [ -1.90155145e-07],
        [  5.46467802e-07]]),
 'db2': np.array([[ -1.08923140e-05]])}
    return parameters, grads

def nn_model_test_case():
    np.random.seed(1)
    X_assess = np.random.randn(2, 3)
    Y_assess = np.random.randn(1, 3)
    return X_assess, Y_assess

def predict_test_case():
    np.random.seed(1)
    X_assess = np.random.randn(2, 3)
    parameters = {'W1': np.array([[-0.00615039,  0.0169021 ],
        [-0.02311792,  0.03137121],
        [-0.0169217 , -0.01752545],
        [ 0.00935436, -0.05018221]]),
     'W2': np.array([[-0.0104319 , -0.04019007,  0.01607211,  0.04440255]]),
     'b1': np.array([[ -8.97523455e-07],
        [  8.15562092e-06],
        [  6.04810633e-07],
        [ -2.54560700e-06]]),
     'b2': np.array([[  9.14954378e-05]])}
    return parameters, X_assess

2. planar_utils.py

import matplotlib.pyplot as plt
import numpy as np
import sklearn
import sklearn.datasets
import sklearn.linear_model

def plot_decision_boundary(model, X, y):
    # Set min and max values and give it some padding
    x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1
    y_min, y_max = X[1, :].min() - 1, X[1, :].max() + 1
    h = 0.01
    # Generate a grid of points with distance h between them
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
    # Predict the function value for the whole grid
    Z = model(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    # Plot the contour and training examples
    plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
    plt.ylabel('x2')
    plt.xlabel('x1')
    plt.scatter(X[0, :], X[1, :], c=np.squeeze(y), cmap=plt.cm.Spectral)


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

def load_planar_dataset():
    np.random.seed(1)
    m = 400 # number of examples
    N = int(m/2) # number of points per class
    D = 2 # dimensionality
    X = np.zeros((m,D)) # data matrix where each row is a single example
    Y = np.zeros((m,1), dtype='uint8') # labels vector (0 for red, 1 for blue)
    a = 4 # maximum ray of the flower

    for j in range(2):
        ix = range(N*j,N*(j+1))
        t = np.linspace(j*3.12,(j+1)*3.12,N) + np.random.randn(N)*0.2 # theta
        r = a*np.sin(4*t) + np.random.randn(N)*0.2 # radius
        X[ix] = np.c_[r*np.sin(t), r*np.cos(t)]
        Y[ix] = j

    X = X.T
    Y = Y.T

    return X, Y

def load_extra_datasets():  
    N = 200
    noisy_circles = sklearn.datasets.make_circles(n_samples=N, factor=.5, noise=.3)
    noisy_moons = sklearn.datasets.make_moons(n_samples=N, noise=.2)
    blobs = sklearn.datasets.make_blobs(n_samples=N, random_state=5, n_features=2, centers=6)
    gaussian_quantiles = sklearn.datasets.make_gaussian_quantiles(mean=None, cov=0.5, n_samples=N, n_features=2, n_classes=2, shuffle=True, random_state=None)
    no_structure = np.random.rand(N, 2), np.random.rand(N, 2)

    return noisy_circles, noisy_moons, blobs, gaussian_quantiles, no_structure

NLP菜鸟

关注

2
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
1. 带有一个隐藏层的平面数据分类

n_x：输入层的节点数量n_h：隐藏层的节点数量（这里设置为 4）n_y：输出层的节点数量参数：X - 输入数据集 , 维度为（输入的数量，训练 / 测试的数量）Y - 标签，维度为（输出的数量，训练 / 测试数量）返回：n_x - 输入层的节点数量n_h - 隐藏层的节点数量n_y - 输出层的节点数量 "" "n_x = X . shape [ 0 ] #输入层n_h = 4 #隐藏层。......
复制链接

扫一扫