深度学习笔记（11）：第一课第四周作业第二部分

最新推荐文章于 2020-09-13 22:22:38 发布

Timothyxxx

最新推荐文章于 2020-09-13 22:22:38 发布

阅读量1.1k

点赞数

分类专栏：吴恩达深度学习笔记笔记神经网络

本文链接：https://blog.csdn.net/weixin_43197820/article/details/105485690

版权

笔记同时被 3 个专栏收录

46 篇文章 1 订阅

订阅专栏

吴恩达深度学习笔记

38 篇文章 9 订阅

订阅专栏

神经网络

38 篇文章 3 订阅

订阅专栏

继续撸猫！！

Accuracy: 1.0
y = 1.0, your L-layer model predicts a “cat” picture.
在这里插入图片描述

任务

我们之前已经试过用logistic回归模型对于猫进行预测，这次，我们使用单隐层神经网络和L层神经网络对其进行更进一步预测，看看效果有何变化。

首先还是导入各种包加载各种东西

加载看一下，我们的标记数据

在这里插入图片描述

再查看一下我们的训练集测试集，图片规模等数据

与往常一样，我们在将图片输入到神经网络之前，要进行重塑和标准化

# Reshape the training and test examples 
train_x_flatten = train_x_orig.reshape(train_x_orig.shape[0], -1).T   # The "-1" makes reshape flatten the remaining dimensions
test_x_flatten = test_x_orig.reshape(test_x_orig.shape[0], -1).T

# Standardize data to have feature values between 0 and 1.
train_x = train_x_flatten/255.
test_x = test_x_flatten/255.

print ("train_x's shape: " + str(train_x.shape))
print ("test_x's shape: " + str(test_x.shape))

12288是3×64×64，图像压缩成一维之后的长度。

建立神经网络

现在你已经熟悉了数据集，是时候建立一个深度神经网络来区分猫图像和非猫图像了。

你将建立两个不同的模型：

2层神经网络
L层深度神经网络

然后，你将比较这些模型的性能，并尝试不同的 $L$ 值。

让我们看一下两种架构。

2层神经网络

Image Name

图2：2层神经网络。

该模型可以总结为：INPUT -> LINEAR -> RELU -> LINEAR -> SIGMOID -> OUTPUT

图2的详细架构：

输入维度为（64,64,3）的图像，将其展平为大小为 $（ 12288, 1 ）$ 的向量。
相应的向量： $x_0,x_1,...,x_{12287}]^T$ 乘以大小为 $n^{[1]}, 12288)$ 的权重矩阵 $W^{[1]}$ 。
然后添加一个偏差项并按照公式获得以下向量： $a_0^{[1]}, a_1^{[1]},..., a_{n^{[1]}-1}^{[1]}]^T$ 。
然后，重复相同的过程。
将所得向量乘以 $W^{[2]}$ 并加上截距（偏差）。
最后，采用结果的sigmoid值。如果大于0.5，则将其分类为猫。

L层深度神经网络

用上面的方式很难表示一个L层的深度神经网络。这是一个简化的网络表示形式：

Image Name

图3：L层神经网络。
该模型可以总结为：***[LINEAR -> RELU] $\times$ (L-1) -> LINEAR -> SIGMOID***

图3的详细结构：

输入维度为（64,64,3）的图像，将其展平为大小为 $（ 12288, 1 ）$ 的向量。
相应的向量： $x_0,x_1,...,x_{12287}]^T$ 乘以权重矩阵 $W^{[1]}$ ，然后加上截距 $b^{[1]}$ ，结果为线性单位。
接下来计算获得的线性单元。对于每个 $W^{[l]}, b^{[l]})$ ，可以重复数次，具体取决于模型体系结构。
最后，采用最终线性单位的sigmoid值。如果大于0.5，则将其分类为猫。

通用步骤

与往常一样，你将遵循深度学习步骤来构建模型：
1.初始化参数/定义超参数
2.循环num_iterations次：
a. 正向传播
b. 计算损失函数
C. 反向传播
d. 更新参数（使用参数和反向传播的梯度）
4.使用训练好的参数来预测标签

现在让我们实现这两个模型！

两层

# GRADED FUNCTION: two_layer_model

def two_layer_model(X, Y, layers_dims, learning_rate = 0.0075, num_iterations = 3000, print_cost=False):
    """
    Implements a two-layer neural network: LINEAR->RELU->LINEAR->SIGMOID.
    
    Arguments:
    X -- input data, of shape (n_x, number of examples)
    Y -- true "label" vector (containing 0 if cat, 1 if non-cat), of shape (1, number of examples)
    layers_dims -- dimensions of the layers (n_x, n_h, n_y)
    num_iterations -- number of iterations of the optimization loop
    learning_rate -- learning rate of the gradient descent update rule
    print_cost -- If set to True, this will print the cost every 100 iterations 
    
    Returns:
    parameters -- a dictionary containing W1, W2, b1, and b2
    """
    
    np.random.seed(1)
    grads = {}
    costs = []                              # to keep track of the cost
    m = X.shape[1]                           # number of examples
    (n_x, n_h, n_y) = layers_dims
    
    # Initialize parameters dictionary, by calling one of the functions you'd previously implemented
    ### START CODE HERE ### (≈ 1 line of code)
    parameters = initialize_parameters(n_x, n_h, n_y)
    ### END CODE HERE ###
    
    # Get W1, b1, W2 and b2 from the dictionary parameters.
    W1 = parameters["W1"]
    b1 = parameters["b1"]
    W2 = parameters["W2"]
    b2 = parameters["b2"]
    
    # Loop (gradient descent)

    for i in range(0, num_iterations):

        # Forward propagation: LINEAR -> RELU -> LINEAR -> SIGMOID. Inputs: "X, W1, b1". Output: "A1, cache1, A2, cache2".
        ### START CODE HERE ### (≈ 2 lines of code)
        A1, cache1 =linear_activation_forward(X, W1, b1, activation = "relu")
        A2, cache2 = linear_activation_forward(A1, W2, b2, activation = "sigmoid")
        ### END CODE HERE ###
        
        # Compute cost
        ### START CODE HERE ### (≈ 1 line of code)
        cost = compute_cost(A2, Y)
        ### END CODE HERE ###
        
        # Initializing backward propagation
        dA2 = - (np.divide(Y, A2) - np.divide(1 - Y, 1 - A2))
        
        # Backward propagation. Inputs: "dA2, cache2, cache1". Outputs: "dA1, dW2, db2; also dA0 (not used), dW1, db1".
        ### START CODE HERE ### (≈ 2 lines of code)
        dA1, dW2, db2 = linear_activation_backward(dA2, cache2, activation = "sigmoid")
        dA0, dW1, db1 = linear_activation_backward(dA1, cache1, activation = "relu")
        ### END CODE HERE ###
        
        # Set grads['dWl'] to dW1, grads['db1'] to db1, grads['dW2'] to dW2, grads['db2'] to db2
        grads['dW1'] = dW1
        grads['db1'] = db1
        grads['dW2'] = dW2
        grads['db2'] = db2
        
        # Update parameters.
        ### START CODE HERE ### (approx. 1 line of code)
        parameters = update_parameters(parameters, grads, learning_rate)
        ### END CODE HERE ###

        # Retrieve W1, b1, W2, b2 from parameters
        W1 = parameters["W1"]
        b1 = parameters["b1"]
        W2 = parameters["W2"]
        b2 = parameters["b2"]
        
        # Print the cost every 100 training example
        if print_cost and i % 100 == 0:
            print("Cost after iteration {}: {}".format(i, np.squeeze(cost)))
        if print_cost and i % 100 == 0:
            costs.append(cost)
       
    # plot the cost

    plt.plot(np.squeeze(costs))
    plt.ylabel('cost')
    plt.xlabel('iterations (per tens)')
    plt.title("Learning rate =" + str(learning_rate))
    plt.show()
    
    return parameters

在这里插入图片描述注意：你可能会注意到，以较少的迭代次数（例如1500）运行模型可以使测试集具有更高的准确性。这称为“尽早停止”，我们将在下一课程中讨论。提前停止是防止过拟合的一种方法。

恭喜你！看来你的2层神经网络的性能（72％）比逻辑回归实现（70％，第2周的作业）更好。让我们看看使用 $L$ 层模型是否可以做得更好。

L层神经网络

# GRADED FUNCTION: L_layer_model

def L_layer_model(X, Y, layers_dims, learning_rate = 0.0075, num_iterations = 3000, print_cost=False):#lr was 0.009
    """
    Implements a L-layer neural network: [LINEAR->RELU]*(L-1)->LINEAR->SIGMOID.
    
    Arguments:
    X -- data, numpy array of shape (number of examples, num_px * num_px * 3)
    Y -- true "label" vector (containing 0 if cat, 1 if non-cat), of shape (1, number of examples)
    layers_dims -- list containing the input size and each layer size, of length (number of layers + 1).
    learning_rate -- learning rate of the gradient descent update rule
    num_iterations -- number of iterations of the optimization loop
    print_cost -- if True, it prints the cost every 100 steps
    
    Returns:
    parameters -- parameters learnt by the model. They can then be used to predict.
    """

    np.random.seed(1)
    costs = []                         # keep track of cost
    
    # Parameters initialization.
    ### START CODE HERE ###
    parameters = initialize_parameters_deep(layers_dims)
    ### END CODE HERE ###
    
    # Loop (gradient descent)
    for i in range(0, num_iterations):

        # Forward propagation: [LINEAR -> RELU]*(L-1) -> LINEAR -> SIGMOID.
        ### START CODE HERE ### (≈ 1 line of code)
        AL, caches = L_model_forward(X, parameters)
        ### END CODE HERE ###
        
        # Compute cost.
        ### START CODE HERE ### (≈ 1 line of code)
        cost = compute_cost(AL, Y)
        ### END CODE HERE ###
    
        # Backward propagation.
        ### START CODE HERE ### (≈ 1 line of code)
        grads = L_model_backward(AL, Y, caches)
        ### END CODE HERE ###
 
        # Update parameters.
        ### START CODE HERE ### (≈ 1 line of code)
        parameters = update_parameters(parameters, grads, learning_rate)
        ### END CODE HERE ###
                
        # Print the cost every 100 training example
        if print_cost and i % 100 == 0:
            print ("Cost after iteration %i: %f" %(i, cost))
        if print_cost and i % 100 == 0:
            costs.append(cost)
            
    # plot the cost
    plt.plot(np.squeeze(costs))
    plt.ylabel('cost')
    plt.xlabel('iterations (per tens)')
    plt.title("Learning rate =" + str(learning_rate))
    plt.show()
    
    return parameters

在这里插入图片描述 Good！在相同的测试集上，你的5层的神经网络似乎比2层神经网络具有更好的性能（80％）。做的好！

在下一作业教程“改善深度神经网络”中，你将学习如何通过系统地匹配更好的超参数（学习率，层数，迭代次数以及下一门课程中还将学习到的其他参数）来获得更高的准确性。

结果分析

首先，让我们看一下L层模型标记错误的一些图像。这将显示一些分类错误的图像。
在这里插入图片描述 该模型在表现效果较差的的图像包括：

猫身处于异常位置
图片背景与猫颜色类似
猫的种类和颜色稀有
相机角度
图片的亮度
比例变化（猫的图像很大或很小）

使用自己图像进行测试

## START CODE HERE ##
my_image = "timg.jpg" # change this to the name of your image file 
my_label_y = [1] # the true class of your image (1 -> cat, 0 -> non-cat)
## END CODE HERE ##

fname = my_image
image = np.array(plt.imread(fname))
my_image = np.array(Image.fromarray(image).resize(size=(num_px,num_px))).reshape((num_px*num_px*3,1))
my_predicted_image = predict(my_image, my_label_y, parameters)

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