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)
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: a c c u r a c y = y ⋅ y p r e d i c t + ( 1 − y ) ⋅ ( 1 − y p r e d i c t ) accuracy = y·y_{predict} + (1 - y)·(1 - y_{predict}) accuracy=y⋅ypredict+(1−y)⋅(1−ypredict)
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%
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:
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
)
x^{(i)}
x(i) 而言,这里第一层激活函数用
t
a
n
h
tanh
tanh,第二层激活函数用
s
i
g
m
o
i
d
sigmoid
sigmoid:
z
[
1
]
(
i
)
=
W
[
1
]
x
(
i
)
+
b
[
1
]
(
i
)
(1)
z^{[1](i)}=W^{[1]}x^{(i)}+b^{[1](i)} \tag{1}
z[1](i)=W[1]x(i)+b[1](i)(1)
a
[
1
]
(
i
)
=
t
a
n
h
(
z
[
1
]
(
i
)
)
(2)
a^{[1](i)}=tanh(z^{[1](i)}) \tag{2}
a[1](i)=tanh(z[1](i))(2)
z
[
2
]
(
i
)
=
W
[
2
]
a
[
1
]
(
i
)
+
b
[
2
]
(
i
)
(3)
z^{[2](i)}=W^{[2]}a^{[1](i)}+b^{[2](i)} \tag{3}
z[2](i)=W[2]a[1](i)+b[2](i)(3)
a
[
2
]
(
i
)
=
s
i
g
m
o
i
d
(
z
[
2
]
(
i
)
)
(4)
a^{[2](i)}=sigmoid(z^{[2](i)}) \tag{4}
a[2](i)=sigmoid(z[2](i))(4)
y
^
(
i
)
=
{
1
,
a
[
2
]
(
i
)
≥
0.5
0
,
a
[
2
]
(
i
)
<
0.5
(5)
\hat{y}^{(i)}=\left\{ \begin{matrix} 1 & , & a^{[2](i)} \geq 0.5 \\ 0 & , & a^{[2](i)} < 0.5 \end{matrix} \right. \tag{5}
y^(i)={10,,a[2](i)≥0.5a[2](i)<0.5(5)给出所有示例的预测结果,可以按如下方式计算成本 J:
J
=
−
1
m
∑
i
=
0
m
(
y
(
i
)
log
(
a
[
2
]
(
i
)
)
+
(
1
−
y
(
i
)
)
log
(
1
−
a
[
2
]
(
i
)
)
)
(6)
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}
J=−m1i=0∑m(y(i)log(a[2](i))+(1−y(i))log(1−a[2](i)))(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 ] Z^{[1]},A^{[1]},Z^{[2]},A^{[2]} 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: J = − 1 m ∑ i = 0 m ( y ( i ) log ( a [ 2 ] ( i ) ) + ( 1 − y ( i ) ) log ( 1 − a [ 2 ] ( i ) ) ) (6) 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} J=−m1i=0∑m(y(i)log(a[2](i))+(1−y(i))log(1−a[2](i)))(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:
为了计算
d
Z
1
dZ1
dZ1,这里需要计算
g
[
1
]
′
(
Z
[
1
]
)
g^{[1]'}(Z^{[1]})
g[1]′(Z[1]),其中
g
[
1
]
(
…
)
g^{[1]}(\dots)
g[1](…) 是
t
a
n
h
tanh
tanh 激活函数,如果
a
=
g
[
1
]
(
z
)
a=g^{[1]}(z)
a=g[1](z),那么
g
[
1
]
′
(
z
)
=
1
−
a
2
g^{[1]'}(z)=1 -a^2
g[1]′(z)=1−a2。所以我们需要使用 (1 - np.power(A1, 2))
来计算
g
[
1
]
′
(
Z
[
1
]
)
g^{[1]'}(Z^{[1]})
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
)
(dW1, db1, dW2, db2)
(dW1,db1,dW2,db2) 来更新
(
W
1
,
b
1
,
W
2
,
b
2
)
(W1, b1, W2, b2)
(W1,b1,W2,b2)。
更新算法如下:
θ
:
=
θ
−
α
∂
J
∂
θ
\theta := \theta - \alpha \frac{\partial J}{\partial \theta}
θ:=θ−α∂θ∂J其中
α
\alpha
α 是学习率,
θ
\theta
θ 就是
(
b
,
W
)
(b, W)
(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。
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:
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 %
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