吴恩达深度学习第一课第三周编程作业详解
本次作业目标
建立具有一个隐藏曾的平面数据分类器
欢迎参加第三周的编程作业!是时候建立你的第一个神经网络了,它将有一个隐藏层。现在,您将注意到这个模型和您以前使用logistic回归实现的模型之间有很大的区别。
在本次作业结束时,您将能够:
-实现了一个单隐层二类分类神经网络
-使用具有非线性激活函数的单位,例如tanh
-计算交叉熵损失
-实现正向和反向传播
1-包装
首先导入此任务期间需要的所有包。
-numpy是使用Python进行科学计算的基本包。
-sklearn为数据挖掘和数据分析提供了简单高效的工具。
-matplotlib是一个用Python绘制图形的库。
-testCases提供了一些测试示例来评估函数的正确性
-planar_utils提供了用于此赋值的各种有用函数
# Package imports
import numpy as np
import matplotlib.pyplot as plt
from testCases_v2 import *
from public_tests import *
import sklearn
import sklearn.datasets
import sklearn.linear_model
from planar_utils import plot_decision_boundary, sigmoid, load_planar_dataset, load_extra_datasets
%matplotlib inline
np.random.seed(2) # set a seed so that the results are consistent
%load_ext autoreload
%autoreload 2
2-加载数据集
现在,加载要处理的数据集。下面的代码将“flower”2类数据集加载到变量X和Y中。
X, Y = load_planar_dataset()
使用matplotlib可视化数据集。数据看起来像一朵“花”,有一些红色(标签y=0)和一些蓝色(y=1)点。你的目标是建立一个模型来适应这些数据。换句话说,我们希望分类器将区域定义为红色或蓝色。
#将数据可视化
plt.scatter(X[0, :], X[1, :], c=Y, s=40, cmap=plt.cm.Spectral);
运行结果为展示图片
您有:
-包含特征的numpy数组(矩阵)X(x1,x2)
-包含标签的numpy数组(向量)Y (red:0, blue:1).
首先,更好地了解您的数据是什么样子的。
练习1
你有多少个训练的例子?另外,变量X和Y的形状是什么?
提示:如何获得numpy数组的形状(帮助)
# (≈ 3 lines of code)
# shape_X = ...
# shape_Y = ...
# training set size
# m = ...
# YOUR CODE STARTS HERE
shape_X = X.shape
shape_Y = Y.shape
m = X.shape[1]
# YOUR CODE ENDS HERE
print ('The shape of X is: ' + str(shape_X))
print ('The shape of Y is: ' + str(shape_Y))
print ('I have m = %d training examples!' % (m))
运行结果:
The shape of X is: (2, 400)
The shape of Y is: (1, 400)
I have m = 400 training examples!
由运算结果可知,X是一个2行400列的矩阵,Y是一个1行400列的向量,训练集大小为400
3-简单逻辑回归
在建立一个完整的神经网络之前,让我们检查一下logistic回归如何处理这个问题。您可以使用sklearn的内置函数来实现这一点。运行下面的代码在数据集上训练logistic回归分类器。
# Train the logistic regression classifier
clf = sklearn.linear_model.LogisticRegressionCV();
clf.fit(X.T, Y.T);
现在可以绘制这些模型的决策边界了!运行下面的代码。
# Plot the decision boundary for logistic regression
plot_decision_boundary(lambda x: clf.predict(x), X, Y)
plt.title("Logistic Regression")
# Print accuracy
LR_predictions = clf.predict(X.T)
print ('Accuracy of logistic regression: %d ' % float((np.dot(Y,LR_predictions) + np.dot(1-Y,1-LR_predictions))/float(Y.size)*100) +
'% ' + "(percentage of correctly labelled datapoints)")
逻辑回归的准确性:47%(正确标记数据点的百分比)
解释:数据集不是线性可分的,所以逻辑回归的表现不好。希望神经网络能做得更好。我们现在就试试这个!
4-神经网络模型
Logistic回归在花卉数据集上效果不佳。下一步,你将训练一个带有一个隐藏层的神经网络,看看它是如何处理同样的问题的。
模型:
数学上:
举个例子𝑥(𝑖) :
根据对所有例子的预测,您还可以计算成本𝐽 具体如下:
提醒:建立神经网络的一般方法是:
1.定义神经网络结构(输入单元的#和隐藏单元的#等)。
2.初始化模型参数
3.回路:
-实现前向传播
-计算损失
-实现反向传播以获得梯度
-更新参数(梯度下降)
实际上,您通常会构建helper函数来计算步骤1-3,然后将它们合并到一个名为nn_model()的函数中。一旦构建了nn_model()并学习了正确的参数,就可以对新数据进行预测。
4.1-定义神经网络结构
练习2-图层大小
定义三个变量:
-n_x:输入层的大小
-n_h:隐藏层的大小(设置为4)
-n_y:输出层的大小
提示:使用X和Y的形状来查找n_x和n_y。另外,硬编码隐藏层大小为4。
# GRADED FUNCTION: layer_sizes
def layer_sizes(X, Y):
"""
Arguments:
X -- input dataset of shape (input size, number of examples)
Y -- labels of shape (output size, number of examples)
Returns:
n_x -- the size of the input layer
n_h -- the size of the hidden layer
n_y -- the size of the output layer
"""
#(≈ 3 lines of code)
# n_x = ...
# n_h = ...
# n_y = ...
# YOUR CODE STARTS HERE
n_x = X.shape[0]
n_y = Y.shape[0]
n_h = 4
# YOUR CODE ENDS HERE
return (n_x, n_h, n_y)
t_X, t_Y = layer_sizes_test_case()
(n_x, n_h, n_y) = layer_sizes(t_X, t_Y)
print("The size of the input layer is: n_x = " + str(n_x))
print("The size of the hidden layer is: n_h = " + str(n_h))
print("The size of the output layer is: n_y = " + str(n_y))
layer_sizes_test(layer_sizes)
运行结果:
The size of the input layer is: n_x = 5
The size of the hidden layer is: n_h = 4
The size of the output layer is: n_y = 2
All tests passed.
4.2-初始化模型参数
练习3-初始化参数
实现函数initialize_parameters()。
说明:
·确保参数大小正确。如果需要,请参考上面的神经网络图。
·您将使用随机值初始化权重矩阵。
·使用:np.random.randn(a,b)*0.01随机初始化形状(a,b)的矩阵。
·将偏移向量初始化为零。
·用法:np.zeros((a,b))用零初始化形状(a,b)的矩阵。
# GRADED FUNCTION: initialize_parameters
def initialize_parameters(n_x, n_h, n_y):
"""
Argument:
n_x -- size of the input layer
n_h -- size of the hidden layer
n_y -- size of the output layer
Returns:
params -- python dictionary containing your parameters:
W1 -- weight matrix of shape (n_h, n_x)
b1 -- bias vector of shape (n_h, 1)
W2 -- weight matrix of shape (n_y, n_h)
b2 -- bias vector of shape (n_y, 1)
"""
np.random.seed(2) # we set up a seed so that your output matches ours although the initialization is random.
#(≈ 4 lines of code)
# W1 = ...
# b1 = ...
# W2 = ...
# b2 = ...
# YOUR CODE STARTS HERE
W1 = np.random.randn(n_h,n_x)*0.01
b1 = np.zeros((n_h,1))
W2 = np.random.randn(n_y,n_h)*0.01
b2 = np.zeros((n_y,1))
# YOUR CODE ENDS HERE
parameters = {"W1": W1,
"b1": b1,
"W2": W2,
"b2": b2}
return 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"]))
initialize_parameters_test(initialize_parameters)
运行结果为:
W1 = [[-0.00416758 -0.00056267]
[-0.02136196 0.01640271]
[-0.01793436 -0.00841747]
[ 0.00502881 -0.01245288]]
b1 = [[0.]
[0.]
[0.]
[0.]]
W2 = [[-0.01057952 -0.00909008 0.00551454 0.02292208]]
b2 = [[0.]]
All tests passed.
4.3-回路
练习4-向前传播
使用以下公式实现前向传播:
说明:
检查上图中分类器的数学表示。
·使用函数sigmoid()。这本笔记本内置了它。
·使用函数np.tanh()。它是numpy图书馆的一部分。
·使用以下步骤实施:
1.从字典“parameters”中检索每个参数(这是initialize_parameters()的输出,使用parameters[“.”]。
2.实现正向传播。计算𝑍[1],𝐴[1],𝑍[2] 以及𝐴[2] (训练集中所有例子的所有预测向量)。
·反向传播所需的值存储在“缓存”中。缓存将作为反向传播函数的输入。
# GRADED FUNCTION:forward_propagation
def forward_propagation(X, parameters):
"""
参数:
X——输入数据的大小(n_x,m)
参数——包含参数的python字典(初始化函数的输出)
返回:
A2——第二次激活的sigmoid输出
cache—包含“Z1”、“A1”、“Z2”和“A2”的字典
"""
# Retrieve each parameter from the dictionary "parameters"
#(≈ 4 lines of code)
# W1 = ...
# b1 = ...
# W2 = ...
# b2 = ...
# YOUR CODE STARTS HERE
W1 = parameters["W1"]
b1 = parameters["b1"]
W2 = parameters["W2"]
b2 = parameters["b2"]
# YOUR CODE ENDS HERE
# Implement Forward Propagation to calculate A2 (probabilities)
# (≈ 4 lines of code)
# Z1 = ...
# A1 = ...
# Z2 = ...
# A2 = ...
# YOUR CODE STARTS HERE
Z1 = np.dot(W1,X) + b1
A1 = np.tanh(Z1)
Z2 = np.dot(W2,A1) + b2
A2 = sigmoid(Z2)
# YOUR CODE ENDS HERE
assert(A2.shape == (1, X.shape[1]))
cache = {"Z1": Z1,
"A1": A1,
"Z2": Z2,
"A2": A2}
return A2, cache
运行结果:
A2 = [[0.21292656 0.21274673 0.21295976]]
All tests passed.
4.4-计算成本
既然你已经计算过𝐴[2](在Python变量“A2”中),它包含𝑎[2] (𝑖) 对于所有示例,可以按如下方式计算成本函数:
练习5-计算成本
实现compute_cost()来计算成本的值𝐽 .
说明:
实现交叉熵损失的方法有很多种。这是一种不使用for循环实现公式一部分的方法:
logprobs=np.multiply(np.log(A2),Y)
cost =-np.sum(logprobs)
用它来构建成本函数的整个表达式。
笔记:
可以使用np.multiply()和np.sum(),也可以直接使用np.dot()。
如果使用np.multiply后跟np.sum,则最终结果将是类型float,而如果使用np.dot,则结果将是2D numpy数组。
您可以使用np.squeeze()删除冗余维度(在单浮点数的情况下,这将减少为零维数组)。
还可以使用float()将数组强制转换为类型float。
# GRADED FUNCTION: compute_cost
def compute_cost(A2, Y):
"""
Computes the cross-entropy cost given in equation (13)
Arguments:
A2 -- The sigmoid output of the second activation, of shape (1, number of examples)
Y -- "true" labels vector of shape (1, number of examples)
Returns:
cost -- cross-entropy cost given equation (13)
"""
m = Y.shape[1] # number of examples
# Compute the cross-entropy cost
# (≈ 2 lines of code)
# logprobs = ...
# cost = ...
# YOUR CODE STARTS HERE
logprobs = np.multiply(np.log(A2),Y) + np.multiply(np.log(1-A2),1-Y)
cost = -np.sum(logprobs)/m
# YOUR CODE ENDS HERE
cost = float(np.squeeze(cost)) # makes sure cost is the dimension we expect.
# E.g., turns [[17]] into 17
return cost
A2, t_Y = compute_cost_test_case()
cost = compute_cost(A2, t_Y)
print("cost = " + str(compute_cost(A2, t_Y)))
compute_cost_test(compute_cost)
运行结果:
A2, t_Y = compute_cost_test_case()
cost = compute_cost(A2, t_Y)
print("cost = " + str(compute_cost(A2, t_Y)))
compute_cost_test(compute_cost)
4.5-实施反向传播
使用前向传播期间计算的缓存,现在可以实现后向传播。
练习6-反向传播
实现函数backward_propagation()。
说明:反向传播通常是深度学习中最难(最数学)的部分。为了帮助你,这里是反向传播讲座的幻灯片。您需要使用本幻灯片右侧的六个公式,因为您正在构建一个矢量化的实现。
图1:反向传播。用右边的六个方程式。
提示:
要计算dZ1,需要计算𝑔[1]′(𝑍[1]) . 自𝑔[1] (.)是tanh激活函数,如果𝑎=𝑔[1] (𝑧) 那么𝑔[1]′(𝑧)=1−𝑎2 . 所以你可以计算𝑔[1]′(𝑍[1] )使用(1-np.power(A1,2))。
# GRADED FUNCTION: backward_propagation
def backward_propagation(parameters, cache, X, Y):
"""
Implement the backward propagation using the instructions above.
Arguments:
parameters -- python dictionary containing our parameters
cache -- a dictionary containing "Z1", "A1", "Z2" and "A2".
X -- input data of shape (2, number of examples)
Y -- "true" labels vector of shape (1, number of examples)
Returns:
grads -- python dictionary containing your gradients with respect to different parameters
"""
m = X.shape[1]
# First, retrieve W1 and W2 from the dictionary "parameters".
#(≈ 2 lines of code)
# W1 = ...
# W2 = ...
# YOUR CODE STARTS HERE
W1 = parameters["W1"]
W2 = parameters["W2"]
# YOUR CODE ENDS HERE
# Retrieve also A1 and A2 from dictionary "cache".
#(≈ 2 lines of code)
# A1 = ...
# A2 = ...
# YOUR CODE STARTS HERE
A1 = cache["A1"]
A2 = cache["A2"]
# YOUR CODE ENDS HERE
# Backward propagation: calculate dW1, db1, dW2, db2.
#(≈ 6 lines of code, corresponding to 6 equations on slide above)
# dZ2 = ...
# dW2 = ...
# db2 = ...
# dZ1 = ...
# dW1 = ...
# db1 = ...
# YOUR CODE STARTS HERE
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)
# YOUR CODE ENDS HERE
grads = {"dW1": dW1,
"db1": db1,
"dW2": dW2,
"db2": db2}
return grads
parameters, cache, t_X, t_Y = backward_propagation_test_case()
grads = backward_propagation(parameters, cache, t_X, t_Y)
print ("dW1 = "+ str(grads["dW1"]))
print ("db1 = "+ str(grads["db1"]))
print ("dW2 = "+ str(grads["dW2"]))
print ("db2 = "+ str(grads["db2"]))
backward_propagation_test(backward_propagation)
运行结果:
dW1 = [[ 0.00301023 -0.00747267]
[ 0.00257968 -0.00641288]
[-0.00156892 0.003893 ]
[-0.00652037 0.01618243]]
db1 = [[ 0.00176201]
[ 0.00150995]
[-0.00091736]
[-0.00381422]]
dW2 = [[ 0.00078841 0.01765429 -0.00084166 -0.01022527]]
db2 = [[-0.16655712]]
All tests passed.
4.6-更新参数
标题练习7-更新参数
实现更新规则。使用梯度下降。必须使用(dW1、db1、dW2、db2)才能更新(W1、b1、W2、b2)。
一般梯度下降规则:𝜃=𝜃−𝛼(∂𝐽/∂𝜃) ,𝛼 是学习率和𝜃 表示参数。
图2:学习率好(收敛)和学习率差(发散)的梯度下降算法。图片由Adam Harley提供。
# GRADED FUNCTION: update_parameters
def update_parameters(parameters, grads, learning_rate = 1.2):
"""
Updates parameters using the gradient descent update rule given above
Arguments:
parameters -- python dictionary containing your parameters
grads -- python dictionary containing your gradients
Returns:
parameters -- python dictionary containing your updated parameters
"""
# Retrieve each parameter from the dictionary "parameters"
#(≈ 4 lines of code)
# W1 = ...
# b1 = ...
# W2 = ...
# b2 = ...
# YOUR CODE STARTS HERE
W1 = parameters["W1"]
b1 = parameters["b1"]
W2 = parameters["W2"]
b2 = parameters["b2"]
# YOUR CODE ENDS HERE
# Retrieve each gradient from the dictionary "grads"
#(≈ 4 lines of code)
# dW1 = ...
# db1 = ...
# dW2 = ...
# db2 = ...
# YOUR CODE STARTS HERE
dW1 = grads["dW1"]
db1 = grads["db1"]
dW2 = grads["dW2"]
db2 = grads["db2"]
# YOUR CODE ENDS HERE
# Update rule for each parameter
#(≈ 4 lines of code)
# W1 = ...
# b1 = ...
# W2 = ...
# b2 = ...
# YOUR CODE STARTS HERE
W1 = W1 - learning_rate*dW1
b1 = b1 - learning_rate*db1
W2 = W2 - learning_rate*dW2
b2 = b2 - learning_rate*db2
# YOUR CODE ENDS HERE
parameters = {"W1": W1,
"b1": b1,
"W2": W2,
"b2": b2}
return 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"]))
update_parameters_test(update_parameters)
运行结果:
W1 = [[-0.00643025 0.01936718]
[-0.02410458 0.03978052]
[-0.01653973 -0.02096177]
[ 0.01046864 -0.05990141]]
b1 = [[-1.02420756e-06]
[ 1.27373948e-05]
[ 8.32996807e-07]
[-3.20136836e-06]]
W2 = [[-0.01041081 -0.04463285 0.01758031 0.04747113]]
b2 = [[0.00010457]]
All tests passed.
4.7-集成
在nn_model()中集成功能
练习8-nn_model
在nn_model()中建立神经网络模型。
说明:神经网络模型必须以正确的顺序使用前面的函数。
#分级函数:nn_moel
# GRADED FUNCTION: nn_model
def nn_model(X, Y, n_h, num_iterations = 10000, print_cost=False):
"""
Arguments:
X -- dataset of shape (2, number of examples)
Y -- labels of shape (1, number of examples)
n_h -- size of the hidden layer
num_iterations -- Number of iterations in gradient descent loop
print_cost -- if True, print the cost every 1000 iterations
Returns:
parameters -- parameters learnt by the model. They can then be used to predict.
"""
np.random.seed(3)
n_x = layer_sizes(X, Y)[0]
n_y = layer_sizes(X, Y)[2]
# Initialize parameters
#(≈ 1 line of code)
# parameters = ...
# YOUR CODE STARTS HERE
parameters = initialize_parameters(n_x,n_h,n_y)
# YOUR CODE ENDS HERE
# Loop (gradient descent)
for i in range(0, num_iterations):
#(≈ 4 lines of code)
# Forward propagation. Inputs: "X, parameters". Outputs: "A2, cache".
# A2, cache = ...
# Cost function. Inputs: "A2, Y". Outputs: "cost".
# cost = ...
# Backpropagation. Inputs: "parameters, cache, X, Y". Outputs: "grads".
# grads = ...
# Gradient descent parameter update. Inputs: "parameters, grads". Outputs: "parameters".
# parameters = ...
# YOUR CODE STARTS HERE
A2 , cache = forward_propagation(X,parameters)
cost = compute_cost(A2,Y)
grads = backward_propagation(parameters,cache,X,Y)
parameters = update_parameters (parameters,grads)
# YOUR CODE ENDS HERE
# Print the cost every 1000 iterations
if print_cost and i % 1000 == 0:
print ("Cost after iteration %i: %f" %(i, cost))
return parameters
t_X, t_Y = nn_model_test_case()
parameters = nn_model(t_X, t_Y, 4, num_iterations=10000, print_cost=True)
print("W1 = " + str(parameters["W1"]))
print("b1 = " + str(parameters["b1"]))
print("W2 = " + str(parameters["W2"]))
print("b2 = " + str(parameters["b2"]))
nn_model_test(nn_model)
运行结果:
Cost after iteration 0: 0.692739
Cost after iteration 1000: 0.000218
Cost after iteration 2000: 0.000107
Cost after iteration 3000: 0.000071
Cost after iteration 4000: 0.000053
Cost after iteration 5000: 0.000042
Cost after iteration 6000: 0.000035
Cost after iteration 7000: 0.000030
Cost after iteration 8000: 0.000026
Cost after iteration 9000: 0.000023
W1 = [[-0.65848169 1.21866811]
[-0.76204273 1.39377573]
[ 0.5792005 -1.10397703]
[ 0.76773391 -1.41477129]]
b1 = [[ 0.287592 ]
[ 0.3511264 ]
[-0.2431246 ]
[-0.35772805]]
W2 = [[-2.45566237 -3.27042274 2.00784958 3.36773273]]
b2 = [[0.20459656]]
All tests passed.
5-测试模型
5.1-预测
练习9-预测
通过构建Predict()使用模型进行预测。使用正向传播来预测结果。
例如,如果要根据阈值将矩阵X的条目设置为0和1,可以执行以下操作:X_new=(X>threshold)
# GRADED FUNCTION: predict
def predict(parameters, X):
"""
Using the learned parameters, predicts a class for each example in X
Arguments:
parameters -- python dictionary containing your parameters
X -- input data of size (n_x, m)
Returns
predictions -- vector of predictions of our model (red: 0 / blue: 1)
"""
# Computes probabilities using forward propagation, and classifies to 0/1 using 0.5 as the threshold.
#(≈ 2 lines of code)
# A2, cache = ...
# predictions = ...
# YOUR CODE STARTS HERE
A2 , cache = forward_propagation(X,parameters)
predictions = np.round(A2)
# YOUR CODE ENDS HERE
return predictions
测试一下:
parameters, t_X = predict_test_case()
predictions = predict(parameters, t_X)
print("Predictions: " + str(predictions))
predict_test(predict)
运行结果:
Predictions: [[1. 0. 1.]]
All tests passed
5.2-在平面数据集上测试模型
是时候运行这个模型了,看看它在平面数据集上的表现。运行以下代码,用一个隐藏的𝑛ℎ 隐藏单位!
# Build a model with a n_h-dimensional hidden layer
parameters = nn_model(X, Y, n_h = 4, num_iterations = 10000, print_cost=True)
# Plot the decision boundary
plot_decision_boundary(lambda x: predict(parameters, x.T), X, Y)
plt.title("Decision Boundary for hidden layer size " + str(4))
运行结果:
Cost after iteration 0: 0.693048
Cost after iteration 1000: 0.288083
Cost after iteration 2000: 0.254385
Cost after iteration 3000: 0.233864
Cost after iteration 4000: 0.226792
Cost after iteration 5000: 0.222644
Cost after iteration 6000: 0.219731
Cost after iteration 7000: 0.217504
Cost after iteration 8000: 0.219430
Cost after iteration 9000: 0.218551
Text(0.5, 1.0, 'Decision Boundary for hidden layer size 4')
测试准确率:
# Print accuracy
predictions = predict(parameters, X)
print ('Accuracy: %d' % float((np.dot(Y, predictions.T) + np.dot(1 - Y, 1 - predictions.T)) / float(Y.size) * 100) + '%')
准确率: 90%
与逻辑回归相比,准确率确实很高。模特已经学会了花瓣的图案!与logistic回归不同,神经网络甚至能够学习高度非线性的决策边界。
恭喜你完成这项编程任务!
以下是您刚刚完成的所有工作的简要回顾:
·建立了一个完整的隐层二类分类神经网络
·充分利用了非线性单元
·计算了交叉熵损失
·实现正向和反向传播
·看到了改变隐藏层大小的影响,包括过度拟合。
你已经创建了一个可以学习模式的神经网络!干得好。下面是一些可选练习,可以尝试其他隐藏层大小和其他数据集。
6-调整隐藏层大小(可选/未分级练习)
运行以下代码(可能需要1-2分钟)。然后,观察不同隐层尺寸下模型的不同行为。
# This may take about 2 minutes to run
plt.figure(figsize=(16, 32))
hidden_layer_sizes = [1, 2, 3, 4, 5, 20, 50]
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 ("Accuracy for {} hidden units: {} %".format(n_h, accuracy))
运行结果:
隐藏层的节点数量: 1 ,准确率: 67.5 %
隐藏层的节点数量: 2 ,准确率: 67.25 %
隐藏层的节点数量: 3 ,准确率: 90.75 %
隐藏层的节点数量: 4 ,准确率: 90.5 %
隐藏层的节点数量: 5 ,准确率: 91.25 %
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: 90.75 %
解释:
·较大的模型(具有更多隐藏单元)能够更好地拟合训练集,直到最终最大的模型过度拟合数据。
·最佳隐藏层大小似乎是在n_h=5左右。事实上,这里的一个值似乎很好地拟合了数据,而不会引起明显的过度拟合。
·稍后,您将熟悉正则化,它允许您使用非常大的模型(例如nƏh=50),而不需要过拟合。
注意:请记住通过单击右上角的蓝色“提交作业”按钮提交作业。
一些可选/未分级的问题,您可以根据需要进行探索:
·当您将tanh激活改为sigmoid激活或ReLU激活时会发生什么?
·更改学习速率(learning_rate)。会发生什么?
·如果我们改变数据集呢(见下文第5部分!)
7-其他数据集的性能
如果需要,可以为以下每个数据集重新运行整个笔记本(减去数据集部分)。
# Datasets
noisy_circles, noisy_moons, blobs, gaussian_quantiles, no_structure = load_extra_datasets()
datasets = {"noisy_circles": noisy_circles,
"noisy_moons": noisy_moons,
"blobs": blobs,
"gaussian_quantiles": gaussian_quantiles}
### START CODE HERE ### (choose your dataset)
dataset = "noisy_moons"
### END CODE HERE ###
X, Y = datasets[dataset]
X, Y = X.T, Y.reshape(1, Y.shape[0])
# make blobs binary
if dataset == "blobs":
Y = Y%2
# Visualize the data
plt.scatter(X[0, :], X[1, :], c=Y, s=40, cmap=plt.cm.Spectral);