- 自己重新抄了一遍代码，很开心，作为一个初级调包侠，看到这么详细又完整的模型代码，是真的激动。希望自己能够慢慢一步一步，自己也能写出这样的代码。
- 这里给自己挖一个坑，后续要来填坑，读懂模型，自己写。mark
- 文章不具参考意义（不过实测了代码可行），想了解的朋友请看参考博客。
import numpy as np
import matplotlib.pyplot as plt
import h5py
from lr_utils import load_dataset
train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset()
index = 25
plt.imshow(train_set_x_orig[index])
plt.show()
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))
#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))
train_set_x = train_set_x_flatten / 255
test_set_x = test_set_x_flatten / 255
def sigmoid(z):
'''
:param z: z - 任何大小的标量或numpy数组。
:return: s - sigmoid（z）
'''
s = 1 / (1+np.exp(-z))
return s
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。
:param dim:
:return: 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))
assert (isinstance(b,float) or isinstance(b,int))
return (w,b)
def propagate(w,b,X,Y):
'''
现在要实现一个计算成本函数及其渐变的函数propagate（）,实现前向和后向传播的成本函数及其梯度。
:param w: 权重，大小不等的数组（num_px * num_px * 3，1)
:param b: 偏差，一个标量
:param X: 矩阵类型为（num_px * num_px * 3，训练数量）
:param 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)
:return:
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]
# 正向传播
A = sigmoid(np.dot(w.T,X)+b)
cost = (-1/m) * np.sum(Y*np.log(A) + (1-Y)*(np.log(1-A)))
# 反向传播
dw = (1/m) * np.dot(X,(A-Y).T)
db = (1/m) * np.sum(A-Y)
assert (dw.shape == w.shape)
assert (db.dtype == float)
cost = np.squeeze(cost) # 删除单维度的维度
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)
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
:param w: 权重，大小不等的数组（num_px * num_px * 3，1）
:param b: 偏差，一个标量
:param X: 维度为（num_px * num_px * 3，训练数据的数量）的数组。
:param 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)
:param num_iterations: 优化循环的迭代次数
:param learning_rate: 梯度下降更新规则的学习率
:param print_cost: 每100步打印一次损失值
:return:
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)
dw = grads["dw"]
db = grads["db"]
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)
def prediction(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，
:param w: 权重，大小不等的数组（num_px * num_px * 3，1）
:param b: 偏差，一个标量
:param X: 维度为（num_px * num_px * 3，训练数据的数量）的数据
:return:
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)
# 预测猫在图片中出现的概率
A = sigmoid(np.dot(w.T,X)+b)
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
assert (Y_prediction.shape == (1,m))
return Y_prediction
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
:param X_train: numpy的数组,维度为（num_px * num_px * 3，m_train）的训练集
:param Y_train: numpy的数组,维度为（1，m_train）（矢量）的训练标签集
:param X_test: numpy的数组,维度为（num_px * num_px * 3，m_test）的测试集
:param Y_test: numpy的数组,维度为（1，m_test）的（向量）的测试标签集
:param num_iterations: 表示用于优化参数的迭代次数的超参数
:param learning_rate: 表示optimize（）更新规则中使用的学习速率的超参数
:param print_cost: 设置为true以每100次迭代打印成本
:return:
d - 包含有关模型信息的字典。
'''
w,b = initialize_with_zeros(X_train.shape[0])
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 = prediction(w,b,X_test)
Y_prediction_train = prediction(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_prediction_train" : Y_prediction_train,
"w": w,
"b": b,
"learning_rate": learning_rate,
"num_iterations": num_iterations
}
return d
d = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations = 2000, learning_rate = 0.005, print_cost = True)
#绘制图
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()
print ('\n' + "-------------------------------------------------------" + '\n')
##测试学习率
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()
参考博客
https://blog.csdn.net/u013733326/article/details/79639509
465
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
