吴恩达第一次编程作业

这个是别人写的代码，我看了看，抄了抄，不过对其中有问题的可以问我

import  numpy as np
import matplotlib.pyplot as plt
import h5py
import torch
from lr_utils import load_dataset

def dataset_processing():
    train_img, train_label, test_img, test_label, classes = load_dataset()

    # 显示图片信息
    # index = 0
    # plt.imshow(train_img[index])
    # plt.show()

    # 查看图片的维度等信息
    # train_img (m_train，num_px，num_px，3）train_img.shape
    # (209, 64, 64, 3)

    # 将（64，64，3）的numpy数组重新构造为（64 x 64 x 3，1）的数组
    # 构造成209行的数据，然后再进行转置，即为209列数据
    train_img_flatten = train_img.reshape(train_img.shape[0], -1).T
    test_img_flatten = test_img.reshape(test_img.shape[0], -1).T

    # 将图像进行预处理，居中和标准化
    train_img_x = train_img_flatten / 255
    test_img_x = test_img_flatten / 255

    return train_img_x, train_label,test_img_x,test_label,classes

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

def init_with_para(dim):
    # w = np.random.rand(dim, 1)
    w = np.zeros(shape=(dim, 1))
    b = 0

    # 使用断言来确保我要的数据是正确的
    assert (w.shape == (dim, 1))  # w的维度是(dim,1)
    assert (isinstance(b, float) or isinstance(b, int))  # b的类型是float或者是int

    return w, b

def propagate(w,b,X,Y):
    """
        实现前向和后向传播的成本函数及其梯度。
        参数：
            w  - 权重，大小不等的数组（num_px * num_px * 3，1）
            b  - 偏差，一个标量
            X  - 矩阵类型为（num_px * num_px * 3，训练数量）
            Y  - 真正的“标签”矢量（如果非猫则为0，如果是猫则为1），矩阵维度为(1,训练数据数量)

        返回：
            cost- 逻辑回归的负对数似然成本
            dw  - 相对于w的损失梯度，因此与w相同的形状
            db  - 相对于b的损失梯度，因此与b的形状相同
        """
    m = X.shape[1]

#   正向传播
    A = sigmoid((np.dot(w.T, X))) + b
    cost = (- 1 / m) * np.sum(Y * np.log(A + eps) + (1 - Y) * (np.log(1 - A + eps))) #计算成本，请参考公式3和4。
    # cost = torch.nn.NLLLoss2d(A)
#   反向传播
    dw = (1 / m) * np.dot(X, (A - Y).T)
    db = (1 / m) * np.sum(A - Y)

    assert (dw.shape == w.shape)
    assert (db.dtype == float)

    cost = np.squeeze(cost)
    assert (cost.shape == ())

    grads = {
        "dw": dw,
        "db": db
    }
    return grads,cost

def optimize(w, b, X, Y, num_iterations, learning_rate, print_cost = False):
    """
       此函数通过运行梯度下降算法来优化w和b
       参数：
           w  - 权重，大小不等的数组（num_px * num_px * 3，1）
           b  - 偏差，一个标量
           X  - 维度为（num_px * num_px * 3，训练数据的数量）的数组。
           Y  - 真正的“标签”矢量（如果非猫则为0，如果是猫则为1），矩阵维度为(1,训练数据的数量)
           num_iterations  - 优化循环的迭代次数
           learning_rate  - 梯度下降更新规则的学习率
           print_cost  - 每100步打印一次损失值

       返回：
           params  - 包含权重w和偏差b的字典
           grads  - 包含权重和偏差相对于成本函数的梯度的字典
           成本 - 优化期间计算的所有成本列表，将用于绘制学习曲线。
       提示：
       我们需要写下两个步骤并遍历它们：
           1）计算当前参数的成本和梯度，使用propagate（）。
           2）使用w和b的梯度下降法则更新参数。
       """
    costs = []
    for i in range(num_iterations):
        grads, cost = propagate(w,b,X,Y)

        dw = grads["dw"]
        db = grads["db"]

        w = w - learning_rate * dw
        b = b - learning_rate * db

        if i % 100 == 0:
            costs.append(cost)

        if (print_cost) and (i % 100 == 0):
            print("迭代次数：%i，cost：%f"%(i, cost))

        params = {
            "w":w,
            "b":b
        }

        grads = {
            "dw": dw,
            "db": db
        }

    return params, grads,costs

def predict(w,b,X):
    """
    使用学习逻辑回归参数logistic （w，b）预测标签是0还是1，

    参数：
        w  - 权重，大小不等的数组（num_px * num_px * 3，1）
        b  - 偏差，一个标量
        X  - 维度为（num_px * num_px * 3，训练数据的数量）的数据

    返回：
        Y_prediction  - 包含X中所有图片的所有预测【0 | 1】的一个numpy数组（向量）

    """
    m = X.shape[1]  # 图片的数量
    Y_prediction = np.zeros((1, m))
    w = w.reshape(X.shape[0], 1)

    # 计预测猫在图片中出现的概率
    A = sigmoid(np.dot(w.T, X) + b)
    for i in range(A.shape[1]):
        # 将概率a [0，i]转换为实际预测p [0，i]
        Y_prediction[0, i] = 1 if A[0, i] > 0.5 else 0
    # 使用断言
    assert (Y_prediction.shape == (1, m))

    return Y_prediction

num_iterations = 20000
learning_rate = 0.01
eps = 1e-5


if __name__ == '__main__':
    train_img, train_label, test_img, test_label, classes = dataset_processing()

    w,b = init_with_para(train_img.shape[0])

    parameters,grads,costs = optimize(w,b,train_img,train_label,num_iterations,learning_rate,True)

    w, b = parameters["w"], parameters["b"]

    test_img_predict = predict(w,b,test_img)
    train_img_predict = predict(w, b, train_img)

    print("测试集准确性：", format(100 - np.mean(np.abs(test_img_predict - test_label)) * 100), "%")
    print("训练集准确性：", format(100 - np.mean(np.abs(train_img_predict - train_label)) * 100), "%")