代码有参考吴恩达老师的源代码,神经网络的图片为转载,图片来源见水印
以下文件的【下载地址】,提取码:dv8a
所有文件存放位置
C:.
│ dnn_utils.py
│ building deep neural network:step by step.py
│ lr_utils.py
│ testCases.py
│
├─datasets
test_catvnoncat.h5
test_image1.png
test_image2.png
train_catvnoncat.h5
一些要点
神经网络的层数:指隐藏层+输出层的层数
二层神经网络:有一个输入层、一个隐藏层、一个输出层的神经网络
L层神经网络:有一个输入层、L-1个隐藏层、第L层为输出层的神经网络
——假如对于每个隐藏层,我们都使用[线性传播+同一非线性函数激活]的方式,则构建L层神经网络,无非是将二层神经网络对隐藏层的运算,重复L-1次
深层网络的参数初始化方式不同于二层网络,网络层次越高,越容易产生梯度消失/梯度爆炸现象,这里对深层网络使用Xaiver初始化(在网上看到很多同学的cost卡在0.64降不下去就是这个坑)
深层网络的实现步骤
参数初始化-> [实现前向线性传播 -> 实现前向线性激活 -> 实现完整的前向传播] -> 计算成本 -> [实现反向线性传播 -> 实现反向线性激活 -> 实现完整的反向传播] -> 参数更新
这里会对比二层网络和深层网络的测试集准度,使用深层网络对本地图片进行识别
导入库
import numpy as np
from matplotlib import pyplot as plt
import testCases
from dnn_utils import sigmoid, sigmoid_backward, relu, relu_backward
import lr_utils
# 测试本地图片时使用
import imageio
import cv2
设置随机种子并初始化
np.random.seed(1)
# 初始化[二层神经网络]的参数
def initialize_parameters(n_x, n_h, n_y):
"""
:param n_x: x的特征数量
:param n_h: 隐藏层节点数量
:param n_y: 输出层的特征数量
"""
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))
parameters = {
'W1': W1, 'b1': b1, 'W2': W2, 'b2': b2}
return parameters
# 初始化[深层神经网络]的参数
def initialize_parameters_deep(layer_dims):
"""
:param layer_dims: 列表,从输入层至输出层,每层的节点数量
"""
parameters = {
}
L = len(layer_dims) - 1 # 输出层的下标
for l in range(1, L+1):
# 使用Xaiver初始化,防止梯度消失或爆炸
parameters['W'+str(l)] = np.random.randn(layer_dims[l], layer_dims[l-1])/np.sqrt(layer_dims[l - 1])
parameters['b'+str(l)] = np.zeros(shape=(layer_dims[l], 1))
return parameters
前向传播
# 前向传播中的线性传播
def linear_forward(A_prev, W, b):
"""
:param A_prev: 上一层传递到本层的A
:param W: 本层的权重矩阵
:param b: 本层的偏置项
:return: 本层计算的Z
"""
Z = np.dot(W, A_prev) + b
cache = (A_prev, W, b)
assert(Z.shape==(W.shape[0], A_prev.shape[1]))
return Z, cache
# 前向传播中的线性激活
def linear_and_activation_forward(A_prev, W, b, activation='relu'):
"""
:param activation: 字符串,激活函数名称
"""
Z, linear_cache = linear_forward(A_prev, W, b)
# 按激活函数执行激活步骤
if activation == 'sigmoid':
A, activation_cache = sigmoid(Z) # 缓存的是Z
elif activation == 'relu':
A, activation_cache = relu(Z)
assert(A.shape==Z.shape)
cache = (linear_cache, activation_cache)
return A, cache
# 完整的前向传播
def L_model_forward(X, parameters):
caches = [