1) 知识点:逻辑回归
- 分类模型和回归模型。
- 将线性回归结果用sigmoid函数映射到[0,1]区间。
- 损失函数,即标签预测值与标签实际值之间差值的总和。考虑到损失函数选择凸函数才可以优化, 。
- 梯度下降。基本原理为,寻找函数的极小值,应让函数的每个变量沿着该变量的函数偏导数的方向逐渐下降。由各变量函数偏导数构成的向量,即函数的梯度。
- 逻辑回归的梯度下降法,
2)编程实例:识别图片是不是猫
实现思路:
- 原始图片数据的表示方式为(64,64,3,m),64是点阵数,3是RGB,m为图片数量。将数据降维,表示为(64*64*3,m)维度,便于用矩阵运算。
- 构造损失函数。参照知识点中的分析,将wx+b进行sigmoid()运算,获取y的估计值。将y估计值和y代入损失函数公式。
- 用梯度下降法求解损失函数。dw、db参考知识点中的推导结果。
- 用求解的结果(w、b)预测测试集中的图片,并且计算准确率。
- 调整学习率,感受学习率对学习效果的影响。
#引入包
import numpy as np
import matplotlib.pyplot as plt
import h5py
from lr_utils import load_dataset
#加载数据,训练集、训练集标签、测试集、测试集标签,数据和加载数据函数由吴恩达老师提供,网上可下载
train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset()
#绘图,看一下训练集第25张图片长啥样
index = 25
plt.imshow(train_set_x_orig[index])
#print("train_set_y=" + str(train_set_y)) #你也可以看一下训练集里面的标签是什么样的。
<matplotlib.image.AxesImage at 0x112cca710>
#打印出当前的训练标签值
#np.squeeze 把元素个数为1的维度去掉
#使用np.squeeze的目的是压缩维度,【未压缩】train_set_y[:,index]的值为[1] , 【压缩后】np.squeeze(train_set_y[:,index])的值为1
#只有压缩后的值才能进行解码操作
print("y=" + str(train_set_y[:,index]) + ", it's a " + classes[np.squeeze(train_set_y[:,index])].decode("utf-8") + "' picture")
y=[1], it's a cat' picture
m_train = train_set_y.shape[1] #训练集里图片的数量。
m_test = test_set_y.shape[1] #测试集里图片的数量。
num_px = train_set_x_orig.shape[1] #训练、测试集里面的图片的宽度和高度(均为64x64)。
#现在看一看我们加载的东西的具体情况
print ("训练集的数量: m_train = " + str(m_train))
print ("测试集的数量 : m_test = " + str(m_test))
print ("每张图片的宽/高 : num_px = " + str(num_px))
print ("每张图片的大小 : (" + str(num_px) + ", " + str(num_px) + ", 3)")
print ("训练集_图片的维数 : " + str(train_set_x_orig.shape))
print ("训练集_标签的维数 : " + str(train_set_y.shape))
print ("测试集_图片的维数: " + str(test_set_x_orig.shape))
print ("测试集_标签的维数: " + str(test_set_y.shape))
print("train_set_x_orig训练集_图片数据啥样"+str(train_set_x_orig.shape))
print("train_set_y训练集_标签数据啥样"+str(train_set_y.shape))
训练集的数量: m_train = 209 测试集的数量 : m_test = 50 每张图片的宽/高 : num_px = 64 每张图片的大小 : (64, 64, 3) 训练集_图片的维数 : (209, 64, 64, 3) 训练集_标签的维数 : (1, 209) 测试集_图片的维数: (50, 64, 64, 3) 测试集_标签的维数: (1, 50) train_set_x_orig训练集_图片数据啥样(209, 64, 64, 3) train_set_y训练集_标签数据啥样(1, 209)
#数据降到2维,方便处理
#X_flatten = X.reshape(X.shape [0],-1).T #X.T是X的转置
#将训练集的维度降低并转置。
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0],-1).T
#将测试集的维度降低并转置。
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T
print ("训练集降维最后的维度: " + str(train_set_x_flatten.shape));
print ("训练集_标签的维数 : " + str(train_set_y.shape));
print ("测试集降维之后的维度: " + str(test_set_x_flatten.shape));
print ("测试集_标签的维数 : " + str(test_set_y.shape));
训练集降维最后的维度: (12288, 209) 训练集_标签的维数 : (1, 209) 测试集降维之后的维度: (12288, 50) 测试集_标签的维数 : (1, 50)
#RGB值在0至255之彰,将其标准化到[0,1]
train_set_x = train_set_x_flatten / 255
test_set_x = test_set_x_flatten / 255
def sigmoid(z):
"""
参数:
z - 任何大小的标量或numpy数组。
返回:
s - sigmoid(z)
"""
s = 1 / (1 + np.exp(-z))
return s
#测试sigmoid()
print("====================测试sigmoid====================")
print ("sigmoid(0) = " + str(sigmoid(0)))
print ("sigmoid(9.2) = " + str(sigmoid(9.2)))
print ("sigmoid(-9.3) = " + str(sigmoid(-9.2)))
====================测试sigmoid==================== sigmoid(0) = 0.5 sigmoid(9.2) = 0.9998989708060922 sigmoid(-9.3) = 0.00010102919390777289
#初始化w b
def initialize_with_zeros(dim):
"""
此函数为w创建一个维度为(dim,1)的0向量,并将b初始化为0。
参数:
dim - 我们想要的w矢量的大小(或者这种情况下的参数数量)
返回:
w - 维度为(dim,1)的初始化向量。
b - 初始化的标量(对应于偏差)
"""
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
print("w.shape="+str(w.shape))
print("w="+str(w))
print("b="+str(b));
return (w , b)
initialize_with_zeros(3)
w.shape=(3, 1) w=[[0.] [0.] [0.]] b=0Out[52]:
(array([[0.], [0.], [0.]]), 0)
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]
#print("m="+str(m));
#m=X.shape[1]
#正向传播
#A = sigmoid(np.dot(w.T,X) + b)
A=sigmoid(np.dot(w.T,X)+b)
#损失函数
cost = (-1/m) * np.sum(Y * np.log(A) + (1 - Y) * (np.log(1 - A))) #计算成本,参考逻辑回归损失函数知识点。
#反向传播
dw = (1 / m) * np.dot(X, (A - Y).T) #参考知识点中的求导公式。
db = (1 / m) * np.sum(A - Y) #请参考知识点中的求导公式。
#使用断言确保我的数据是正确的
assert(dw.shape == w.shape)
assert(db.dtype == float)
cost = np.squeeze(cost)
assert(cost.shape == ())
#创建一个字典,把dw和db保存起来。
grads = {
"dw": dw,
"db": db
}
return (grads , cost)
#测试一下propagate
print("====================测试propagate====================")
#初始化一些参数
w, b, X, Y = np.array([[1], [2]]), 2, np.array([[1,2], [3,4]]), np.array([[1, 0]])
grads, cost = propagate(w, b, X, Y)
print ("dw = " + str(grads["dw"]))
print ("db = " + str(grads["db"]))
print ("cost = " + str(cost))
====================测试propagate==================== m=2 dw = [[0.99993216] [1.99980262]] db = 0.49993523062470574 cost = 6.000064773192205
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)
#求导
dw = grads["dw"]
db = grads["db"]
#梯度下降
w = w - learning_rate * dw
b = b - learning_rate * db
#记录成本
if i % 100 == 0:
costs.append(cost)
#打印成本数据
if (print_cost) and (i % 100 == 0):
print("迭代的次数: %i , 误差值: %f" % (i,cost))
params = {
"w" : w,
"b" : b }
grads = {
"dw": dw,
"db": db }
return (params , grads , costs)
#测试optimize
print("====================测试optimize====================")
w, b, X, Y = np.array([[1], [2]]), 2, np.array([[1,2], [3,4]]), np.array([[1, 0]])
params , grads , costs = optimize(w , b , X , Y , num_iterations=100 , learning_rate = 0.009 , print_cost = False)
print ("w = " + str(params["w"]))
print ("b = " + str(params["b"]))
print ("dw = " + str(grads["dw"]))
print ("db = " + str(grads["db"]))
====================测试optimize==================== w = [[0.1124579 ] [0.23106775]] b = 1.5593049248448891 dw = [[0.90158428] [1.76250842]] db = 0.4304620716786828
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) #图片的元素个数
#计预测猫在图片中出现的概率
A = sigmoid(np.dot(w.T , X) + b)
print("A.shape="+str(A.shape))
#图片数量
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
#测试predict
print("====================测试predict====================")
w, b, X, Y = np.array([[1], [2]]), 2, np.array([[1,2], [3,4]]), np.array([[1, 0]])
print("predictions = " + str(predict(w, b, X)))
====================测试predict==================== A.shape=(1, 2) predictions = [[1. 1.]]
def model(X_train , Y_train , X_test , Y_test , num_iterations = 2000 , learning_rate = 0.5 , print_cost = False):
"""
通过调用之前实现的函数来构建逻辑回归模型
参数:
X_train - numpy的数组,维度为(num_px * num_px * 3,m_train)的训练集
Y_train - numpy的数组,维度为(1,m_train)(矢量)的训练标签集
X_test - numpy的数组,维度为(num_px * num_px * 3,m_test)的测试集
Y_test - numpy的数组,维度为(1,m_test)的(向量)的测试标签集
num_iterations - 表示用于优化参数的迭代次数的超参数
learning_rate - 表示optimize()更新规则中使用的学习速率的超参数
print_cost - 设置为true以每100次迭代打印成本
返回:
d - 包含有关模型信息的字典。
"""
#以每个图片的元素个数初始化w,即权重个数和图片元素个数相同,初始化b为0
w , b = initialize_with_zeros(X_train.shape[0])
#梯度下降法
parameters , grads , costs = optimize(w , b , X_train , Y_train,num_iterations , learning_rate , print_cost)
#从字典“参数”中检索参数w和b
w , b = parameters["w"] , parameters["b"]
#预测测试/训练集的例子
Y_prediction_test = predict(w , b, X_test)
Y_prediction_train = predict(w , b, X_train)
#打印训练后的准确性
print("训练集准确性:" , format(100 - np.mean(np.abs(Y_prediction_train - Y_train)) * 100) ,"%")
print("测试集准确性:" , format(100 - np.mean(np.abs(Y_prediction_test - Y_test)) * 100) ,"%")
d = {
"costs" : costs,
"Y_prediction_test" : Y_prediction_test,
"Y_prediciton_train" : Y_prediction_train,
"w" : w,
"b" : b,
"learning_rate" : learning_rate,
"num_iterations" : num_iterations }
return d
print("====================测试model====================")
#这里加载的是真实的数据,请参见上面的代码部分。
d = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations = 2000, learning_rate = 0.005, print_cost = True)
====================测试model==================== w.shape=(12288, 1) w=[[0.] [0.] [0.] ... [0.] [0.] [0.]] b=0 迭代的次数: 0 , 误差值: 0.693147 迭代的次数: 100 , 误差值: 0.584508 迭代的次数: 200 , 误差值: 0.466949 迭代的次数: 300 , 误差值: 0.376007 迭代的次数: 400 , 误差值: 0.331463 迭代的次数: 500 , 误差值: 0.303273 迭代的次数: 600 , 误差值: 0.279880 迭代的次数: 700 , 误差值: 0.260042 迭代的次数: 800 , 误差值: 0.242941 迭代的次数: 900 , 误差值: 0.228004 迭代的次数: 1000 , 误差值: 0.214820 迭代的次数: 1100 , 误差值: 0.203078 迭代的次数: 1200 , 误差值: 0.192544 迭代的次数: 1300 , 误差值: 0.183033 迭代的次数: 1400 , 误差值: 0.174399 迭代的次数: 1500 , 误差值: 0.166521 迭代的次数: 1600 , 误差值: 0.159305 迭代的次数: 1700 , 误差值: 0.152667 迭代的次数: 1800 , 误差值: 0.146542 迭代的次数: 1900 , 误差值: 0.140872 A.shape=(1, 50) A.shape=(1, 209) 训练集准确性: 99.04306220095694 % 测试集准确性: 70.0 %
#绘制图,展示损失函数下降趋势
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()
#调整学习率参数,看看学习效率有没有差别
learning_rates = [0.01, 0.001, 0.0001]
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()
learning rate is: 0.01 w.shape=(12288, 1) w=[[0.] [0.] [0.] ... [0.] [0.] [0.]] b=0 A.shape=(1, 50) A.shape=(1, 209) 训练集准确性: 99.52153110047847 % 测试集准确性: 68.0 % ------------------------------------------------------- learning rate is: 0.001 w.shape=(12288, 1) w=[[0.] [0.] [0.] ... [0.] [0.] [0.]] b=0 A.shape=(1, 50) A.shape=(1, 209) 训练集准确性: 88.99521531100478 % 测试集准确性: 64.0 % ------------------------------------------------------- learning rate is: 0.0001 w.shape=(12288, 1) w=[[0.] [0.] [0.] ... [0.] [0.] [0.]] b=0 A.shape=(1, 50) A.shape=(1, 209) 训练集准确性: 68.42105263157895 % 测试集准确性: 36.0 % -------------------------------------------------------