deep_learning_week2_logistic回归

最新推荐文章于 2024-09-14 19:18:15 发布
最新推荐文章于 2024-09-14 19:18:15 发布
阅读量286 收藏
点赞数 1
分类专栏： 机器学习深度学习 文章标签： 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ttt6688/article/details/80232438
版权

deep_learning_week2_logistic回归

标签： 机器学习深度学习

代码已上传github:
https://github.com/PerfectDemoT/my_deeplearning_homework

这是吴恩达深度学习里的第一次作业

实现logistic回归

1. 先导入包
import numpy as np
import matplotlib.pyplot as plt
import h5py
import scipy
from PIL import Image
import pylab
from scipy import ndimage
from lr_utils import load_dataset #这个是里面的一个导入数据的py文件
2. 导入数据，再显示一张图片看看效果

导入数据代码如下：

# Loading the data (cat/non-cat)
train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()
#分别为训练集x 209个,训练集y 209个,测试集x 50个,测试集y 50个

这是一张图片
图片

#这时输出上面这张图的代码
index = 19
plt.imshow(train_set_x_orig[index])
pylab.show()
print ("y = " + str(train_set_y[:, index]) + ", it's a '" + classes[np.squeeze(train_set_y[:, index])].decode("utf-8") +  "' picture.")

之后会让你看看导入数据的维数，代码如下：

### START CODE HERE ### (≈ 3 lines of code)
m_train = train_set_x_orig.shape[0]
m_test = test_set_x_orig.shape[0]
num_px = train_set_x_orig.shape[1]
### END CODE HERE ###

print ("Number of training examples: m_train = " + str(m_train))
print ("Number of testing examples: m_test = " + str(m_test))
print ("Height/Width of each image: num_px = " + str(num_px))
print ("Each image is of size: (" + str(num_px) + ", " + str(num_px) + ", 3)")
print ("train_set_x shape: " + str(train_set_x_orig.shape))
print ("train_set_y shape: " + str(train_set_y.shape))
print ("test_set_x shape: " + str(test_set_x_orig.shape))
print ("test_set_y shape: " + str(test_set_y.shape))

结果显示是这样：
结果显示

3. 现在可以开始写函数了

首先把训练数据的64*64*3的矩阵变化为向量，代码如下：

### START CODE HERE ### (≈ 2 lines of code)
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
###现在处理好了图像，将其全部向量化了

将原来的四维（样本个数，图片横，竖，RGB）变为二维（样本个数，其他所有）

然后现在开始归一化

#现在开始归一化，将RGB里的0-255全部变为0-1（除以255）
train_set_x = train_set_x_flatten/255.
test_set_x = test_set_x_flatten/255.

现在可以开始写各种函数了：

sogmoid函数
    def sigmoid(z):
    #     """
    #     Compute the sigmoid of z
    #
    #     Arguments:
    #     z -- A scalar or numpy array of any size.
    # ​
    #     Return:
    #     s -- sigmoid(z)
    #     """
    ### START CODE HERE ### (≈ 1 line of code)
    s=1./(1.+ np.exp(-z))
    ### END CODE HERE ###

    return s
随机初始化w和b的函数
def initialize_with_zeros(dim):
        # """
        # This function creates a vector of zeros of shape (dim, 1) for w and initializes b to 0.
        #
        # Argument:
        # dim -- size of the w vector we want (or number of parameters in this case)
        #
        # Returns:
        # w -- initialized vector of shape (dim, 1)
        # b -- initialized scalar (corresponds to the bias)
        # """

        ### START CODE HERE ### (≈ 1 line of code)
        w = np.zeros((dim, 1))
        b = 0
        ### END CODE HERE ###

        assert (w.shape == (dim, 1))
        assert (isinstance(b, float) or isinstance(b, int))

        return w, b
现在来前向和反向传播
def propagate(w, b, X, Y):
    #     """
    #     Implement the cost function and its gradient for the propagation explained above
    # ​
    #     Arguments:
    #     w -- weights, a numpy array of size (num_px * num_px * 3, 1)
    #     b -- bias, a scalar
    #     X -- data of size (num_px * num_px * 3, number of examples)
    #     Y -- true "label" vector (containing 0 if non-cat, 1 if cat) of size (1, number of examples)
    # ​
    #     Return:
    #     cost -- negative log-likelihood cost for logistic regression
    #     dw -- gradient of the loss with respect to w, thus same shape as w
    #     db -- gradient of the loss with respect to b, thus same shape as b
    #
    #     Tips:
    #     - Write your code step by step for the propagation. np.log(), np.dot()
    #     """

        m = X.shape[1]

        # FORWARD PROPAGATION (FROM X TO COST)
        ### START CODE HERE ### (≈ 2 lines of code)
        A = sigmoid(np.dot(w.T , X) + b)  # compute activation
        cost = np.sum(Y * np.log(A) + (1-Y) * np.log(1-A))/(-m)  # compute cost
        ### END CODE HERE ###

        # BACKWARD PROPAGATION (TO FIND GRAD)
        ### START CODE HERE ### (≈ 2 lines of code)
        dw = np.dot(X , (A-Y).T)/m
        db = np.sum(A-Y)/m
        ### END CODE HERE ### ​
        assert (dw.shape == w.shape)
        assert (db.dtype == float)
        cost = np.squeeze(cost)
        assert (cost.shape == ())

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

        return grads, cost
更新w和b的函数
def optimize(w, b, X, Y, num_iterations, learning_rate, print_cost=False):
    # """
    # This function optimizes w and b by running a gradient descent algorithm
    #
    # Arguments:
    # w -- weights, a numpy array of size (num_px * num_px * 3, 1)
    # b -- bias, a scalar
    # X -- data of shape (num_px * num_px * 3, number of examples)
    # Y -- true "label" vector (containing 0 if non-cat, 1 if cat), of shape (1, number of examples)
    # num_iterations -- number of iterations of the optimization loop
    # learning_rate -- learning rate of the gradient descent update rule
    # print_cost -- True to print the loss every 100 steps
    #
    # Returns:
    # params -- dictionary containing the weights w and bias b
    # grads -- dictionary containing the gradients of the weights and bias with respect to the cost function
    # costs -- list of all the costs computed during the optimization, this will be used to plot the learning curve.
    #
    # Tips:
    # You basically need to write down two steps and iterate through them:
    #     1) Calculate the cost and the gradient for the current parameters. Use propagate().
    #     2) Update the parameters using gradient descent rule for w and b.
    # """

    costs = []

    for i in range(num_iterations):

        # Cost and gradient calculation (≈ 1-4 lines of code)
        ### START CODE HERE ###
        grads, cost = propagate(w , b , X , Y)
        ### END CODE HERE ###

        # Retrieve derivatives from grads
        dw = grads["dw"]
        db = grads["db"]

        # update rule (≈ 2 lines of code)
        ### START CODE HERE ###
        w = w - learning_rate * dw
        b = b - learning_rate * db
        ### END CODE HERE ###

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

        # Print the cost every 100 training examples
        # 每100次输出一个代价函数
        if print_cost and i % 100 == 0:
            print("Cost after iteration %i: %f" % (i, cost))

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

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

    return params, grads, costs
现在这是预测函数
def predict(w, b, X):
    # '''
    # Predict whether the label is 0 or 1 using learned logistic regression parameters (w, b)
    #
    # Arguments:
    # w -- weights, a numpy array of size (num_px * num_px * 3, 1)
    # b -- bias, a scalar
    # X -- data of size (num_px * num_px * 3, number of examples)
    #
    # Returns:
    # Y_prediction -- a numpy array (vector) containing all predictions (0/1) for the examples in X
    # '''

    m = X.shape[1]
    Y_prediction = np.zeros((1, m))
    w = w.reshape(X.shape[0], 1)

    # Compute vector "A" predicting the probabilities of a cat being present in the picture
    ### START CODE HERE ### (≈ 1 line of code)
    A = np.dot(w.T , X)
    ### END CODE HERE ###

    for i in range(A.shape[1]):
        # Convert probabilities A[0,i] to actual predictions p[0,i]
        ### START CODE HERE ### (≈ 4 lines of code)
        if (A[0, i] > 0.5):
            Y_prediction[0][i] = 1
        else:
            Y_prediction[0][i] = 0
        ### END CODE HERE ###

    assert (Y_prediction.shape == (1, m))

    return Y_prediction

4.现在终于可以开始真正的训练参数了（之前都是用的测试，现在开始用真正的图片数据来训练）

代码如下：

#现在开始将上面的这些函数整合起来
# GRADED FUNCTION: model
print("===============终于，开始处理图像了=========================")
def model(X_train, Y_train, X_test, Y_test, num_iterations=10000, learning_rate=0.01, print_cost=False):
        # """
        # Builds the logistic regression model by calling the function you've implemented previously
        #
        # Arguments:
        # X_train -- training set represented by a numpy array of shape (num_px * num_px * 3, m_train)
        # Y_train -- training labels represented by a numpy array (vector) of shape (1, m_train)
        # X_test -- test set represented by a numpy array of shape (num_px * num_px * 3, m_test)
        # Y_test -- test labels represented by a numpy array (vector) of shape (1, m_test)
        # num_iterations -- hyperparameter representing the number of iterations to optimize the parameters
        # learning_rate -- hyperparameter representing the learning rate used in the update rule of optimize()
        # print_cost -- Set to true to print the cost every 100 iterations
        #
        # Returns:
        # d -- dictionary containing information about the model.
        # """

        ### START CODE HERE ###

        # initialize parameters with zeros (≈ 1 line of code)
        w, b = initialize_with_zeros(X_train.shape[0])

        # Gradient descent (≈ 1 line of code)
        parameters, grads, costs = optimize(w , b , X_train , Y_train , num_iterations , learning_rate , print_cost=False)

        # Retrieve parameters w and b from dictionary "parameters"
        w = parameters["w"]
        b = parameters["b"]

        # Predict test/train set examples (≈ 2 lines of code)
        Y_prediction_test = predict(w , b , X_test)
        Y_prediction_train = predict(w , b , X_train)

        ### END CODE HERE ###

        # Print train/test Errors
        print("train accuracy: {} %".format(100 - np.mean(np.abs(Y_prediction_train - Y_train)) * 100))
        print("test accuracy: {} %".format(100 - np.mean(np.abs(Y_prediction_test - Y_test)) * 100))

        d = {"costs": costs,
             "Y_prediction_test": Y_prediction_test,
             "Y_prediction_train": Y_prediction_train,
             "w": w,
             "b": b,
             "learning_rate": learning_rate,
             "num_iterations": num_iterations}

        return d

下面是调用这个函数来训练的例子：

d = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations = 10000, learning_rate = 0.001, print_cost = True)

训练完毕，我们来看看准确率

print("train accuracy: {} %".format(100 - np.mean(np.abs(Y_prediction_train - Y_train)) * 100))
print("test accuracy: {} %".format(100 - np.mean(np.abs(Y_prediction_test - Y_test)) * 100))

结果是这样的：
结果

现在我们来看看代价函数曲线(代码长这样)：

costs = np.squeeze(d['costs'])
plt.plot(costs)
plt.ylabel('cost')
plt.xlabel('iterations (per hundreds)')
plt.title("Learning rate =" + str(d["learning_rate"]))
plt.show()

图是这样的(这里的学习速率是0.001，迭代次数10000)：
图片

下面来看看学习速率的选择(先上代码)：

learning_rates = [0.01, 0.001, 0.0001]#定义一个有三个值的数组，这里只是给你看方法，实际上的取值是有方法的（在机器学习里）
models = {}
for i in learning_rates:
    print ("learning rate is: " + str(i))
    models[str(i)] = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations = 1500, learning_rate = i, print_cost = False)
    print ('\n' + "-------------------------------------------------------" + '\n')

for i in learning_rates:
    plt.plot(np.squeeze(models[str(i)]["costs"]), label= str(models[str(i)]["learning_rate"]))

plt.ylabel('cost')
plt.xlabel('iterations')

legend = plt.legend(loc='upper center', shadow=True)
frame = legend.get_frame()
frame.set_facecolor('0.90')
plt.show()
#通过图像的发现，三个学习速率中，0.001是最好的（好吧，如果不管前面蓝色的波动，0.01或许也不错，不过，你会发现训练集的误差已经很小了，但验证集误差却很大，存在过拟合情况，所以用0.01并不会减小验证集的误差）

下面是图片
图片
然后学习率对应的准确率如下：
图片

最后，来点有趣的，用自己的图

现在用自己的图像玩玩，1表示预测是猫，0表示不是

## START CODE HERE ## (PUT YOUR IMAGE NAME)
my_image = "my_image2.jpg"   # change this to the name of your image file
## END CODE HERE ##
# ​
# We preprocess the image to fit your algorithm.
fname = "images/" + my_image
image = np.array(ndimage.imread(fname, flatten=False))
my_image = scipy.misc.imresize(image, size=(num_px,num_px)).reshape((1, num_px*num_px*3)).T
my_predicted_image = predict(d["w"], d["b"], my_image)

plt.imshow(image)
print("y = " + str(np.squeeze(my_predicted_image)) + ", your algorithm predicts a \"" + classes[int(np.squeeze(my_predicted_image)),].decode("utf-8") +  "\" picture.")

图长这样：
图片
然后判断是：
图片

我还试了一张埃菲尔铁塔的，判断为不是猫，感觉还不错。。。（好吧，其实看识别率还挺低），这里还缺少了一个正规化来防止过拟合（并且个人感觉，这个一定overfitting了，因为训练样本准确率非常高，而测试样本准确率却很低），防止过拟合将在下次来实现

PerfectDemoT
关注
专栏目录
Neural Networks and Deep Learning week2 Logistic Regression with a Neural Network mindset
QQ1845517170的博客
11-24 729
该实验作业的主要目的 通过该实验指导完成对猫图片的识别 在此过程中需要a初始化参量b计算代价函数c使用连续梯度算法 你可能对以下参考文献感兴趣 http://www.wildml.com/2015/09/implementing-a-neural-network-from-scratch/ 这是一篇从头开始搭建神经网络的文章，可以更好的帮助你理解神经网络的细节，该文章有github的同步文件，你也可以去看看github上同步实现操作 https://stats.stackexchange.co..
第一课:Neural Networks and Deep Learning 第二周：编程作业 Logistic Regression with a Neural Network mindset
肖泽的博客
03-19 1370
第一课:Neural Networks and Deep Learning 第二周：编程作业 Logistic Regression with a Neural Network mindset Logistic Regression with a Neural Network mindset Welcome to your first (required) programming assignme...
算法工程师之路——Deeplearning.ai神经网络与深度学习篇Week2
Mr.Rum的博客
10-14 841
上一周的回顾       时间过的很快，转眼又是一周。刚刚过去的一周也是很忙碌，几乎每天都有各种各样工作与生活上的琐事，不过我也在加油努力的学习，毕竟任重而道远嘛！通过与学长学姐的沟通交流，我打算今后的学习采用这样的方式进行：多线程学习法。在学习人工智能领域知
Andrew Ng's deeplearning Course2Week2 Optimization algorithms(优化算法)
福尔摩栋的博客
11-28 381
优化算法能帮助我们快速训练模型 一、mini-batch梯度下降法 1.batch vs mini-batch 向量化能让你相对快速的处理m个样本，但是当m比较大时，例如5000000，速度可能就会比较慢了。因此，我们将m个样本切分成一块一块的，这就是mini-batch，而原先不切分的形式就是batch。X{t}，Y{t}：我们用X{t}和Y{t}分别表示X和Y的第t块样本集。 2.
coursera deep learning course3 week2
yb564645735的博客
12-17 351
error analysis 当训练猫的分类器时，可以从错误分类的样本中挑选一定比例的样本，如100张，然后列出如下图的表，其中错分成狗为8%,大型猫科动物43%,…,这样我们就能知道下一步该改进哪方面。 标签错误的数据时做法 在训练集时的做法： deep learning is robust to random errors,因此只要是意外、随机的标记错误，并不会怎么影响徐连效果。 在验证集
【Deep Learning】神经网络和深度学习week2----神经网络的编程基础/逻辑回归
2020找offer
04-21 119
Week2逻辑回归(Logistic Regression) 逻辑回归(Logistic Regression) 逻辑回归是一个用于二分类(binary classification)的算法。 训练数据：{(x(1),y(1)),(x(2),y(2)),…(x(m),y(m)),}\{(x^{(1)},y^{(1)}),(x^{(2)},y^{(2)}),\dots(x^{(m)},y^{(m)...
Andrew Ng's deeplearning Course1Week2 Neural Networks Basics（神经网络基础）
福尔摩栋的博客
10-19 802
2.1 二分2.1.1 举一个识别猫的例子输入一个图片，判别有猫或无猫，这就是一个简单的二分分类。为了将图片转换成一个特征向量，大家都知道图片由红绿蓝三个像素矩阵组成，假设这个矩阵是64*64的，我们将之重构（Python里面是用reshape这个方法），将三个矩阵合并为一个nx（nx即维度，nx=64*64*3）行1列的矩阵。（x,y）表示一个单独的样本，假设有m个训练集，那m个训练样本就是{（...
deepLearning_week1.zip
08-23
标题 "deepLearning_week1.zip" 暗示我们关注的主题是深度学习的初步课程，具体到第一周的作业，这通常涉及到基础概念的介绍。在这个案例中，作业聚焦于逻辑回归（Logistic Regression），它是监督学习中的一种简单...
Neural Networks and Deep Learning （Week 1）
我们胃口太大几千几百万都装得下
07-26 491
Logistic Regression as a Neural Network Binary Classification 本周要学习的内容 不显式使用for循环处理m个训练样本 前向传播与反向传播 以Logistic Regression为例 逻辑回归是一个一种二元分类算法。课程举例：输入一张图片，算法输出0或1标签，指明图上是不是猫。 术语表 Deep Lea...
deep learning coursera 01神经网络与深度学习Week2-课后编程作业小结
qq_39172959的博客
05-13 305
Logistic Regression with a Neural Network mindset.ipynb 参考：https://blog.csdn.net/u013733326/article/details/79639509 https://github.com/Kulbear/deep-learning-coursera/blob/master/Neural%20Networks%20and%20Deep%20Learning/Logistic%20Regression%20with%20a%20
Improving Deep Neural Networks Initialization Homework
生物医学信息学博客
09-10 4016
InitializationWelcome to the first assignment of “Improving Deep Neural Networks”. Training your neural network requires specifying an initial value of the weights. A well chosen initialization method
Andrew Ng's deeplearning Course1Week2 Programming Questions（编程题）
福尔摩栋的博客
10-21 1000
Logistic Regression with a Neural Network mindset Build the general architecture of a learning algorithm, including: Initializing parametersCalculating the cost function and its gradientUsin
Coursera Deep learning -Neural Networks and Deep Learning-第2周 Week2 编程作业
weixin_43674546的博客
02-22 734
Coursera Deep learning Neural Networks and Deep Learning-Week2 课后作业 程序环境 Mac OS VSCode Python3.7.3-64bit MarkDown环境：Typora 下载链接（提取码 99wp）： 点我下载. 文件说明 此次文件分为两个部分 Part1与Part2 Part1为练习熟悉Pyhton使用一些函数，...
coursera deep learning course5 week2
yb564645735的博客
02-19 781
Word embeddings 之前每个单词或字符都采用one-hot向量进行表示，但是任意两个向量之间的点积都为0，即都不相关，无法衡量单词之间的相似度，因此将每个单词表示成dense vector的形式，可以将每一维度都当作单词的一个属性，这样的方法称为word embedding。通过监督学习得到embedding matrix,方法有word2vec,negative sampling,...
机器学习与深度学习的区别
最新发布
警警的博客
09-14 1204
机器学习与深度学习
【机器学习】python补充知识点
2301_81133727的博客
09-11 269
是NumPy库中的，用于生成更灵活的数字序列，包括浮点数，并且返回的是NumPy数组。都是用于生成数字序列的函数，但它们属于不同的库，并且有不同的用途和特性。之前，需要确保已经安装了NumPy库，并且在代码中导入了NumPy。是Python内置的，用于生成整数序列，而。
机器学习和深度学习的区别
jun778895的博客
09-10 873
机器学习：是人工智能的一个分支，它让计算机能够在没有明确编程的情况下，通过观察和分析大量数据来学习并做出预测或决策。机器学习起源于20世纪50年代，随着算法的不断发展，逐渐形成了多种经典算法，如决策树、支持向量机、随机森林等。深度学习：则是机器学习的一个子领域，它主要依赖于深度神经网络模型进行学习和预测。深度学习在21世纪初开始兴起，特别是随着计算能力的提升和大数据的普及，深度学习算法得以广泛应用，并取得了显著成效。
机器学习-聚类算法
weixin_47102187的博客
09-11 403
仅个人笔记，感谢点赞关注！
Logistic回归模型与分类
Logistic回归模型的核心在于它能够将线性组合（β0 + β1x1 + β2x2 + ... + βkxk）转换为介于0和1之间的概率值。这个转换过程通过sigmoid函数完成，即： Pr(G=1|X=x) = 1 / (1 + e^(-f(x))) 其中，f(x) = β0 + ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值