【神经网络和深度学习】吴恩达（Andrew Ng）- 第一课第三周课程编程作业

最新推荐文章于 2021-06-25 17:28:34 发布

IMU_YY

最新推荐文章于 2021-06-25 17:28:34 发布

阅读量600

点赞数 3

分类专栏：深度学习文章标签： python 神经网络深度学习

本文链接：https://blog.csdn.net/yyhaohaoxuexi/article/details/86561805

版权

深度学习专栏收录该内容

10 篇文章 5 订阅

订阅专栏

一、综述

本文根据吴恩达老师第三周的深度学习课程的课后编程作业来写的，其中涉及到的test_cases.py和planar_utils.py在此处下载。

二、准备工作

2.1 分析问题

我们要做的是：建立一个包含一个隐藏层，一个输出层的神经网络。该神经网的功能与第二周的Logistic Regression回归处理的问题是相似的，都是分类问题。但是，此次的数据集根据单纯的Logistic Resgression回归处理的结果是不太好的，因此使用带有隐藏层的神经网络来处理。

2.2 分析数据

首先，我们查看此次实验的数据：

# 分析数据

X, Y = planar_utils.load_planar_dataset()
print(np.shape(X))
print(np.shape(Y))
# 可视化
plt.scatter(X[0, :], X[1, :], c=Y, s=40, cmap=plt.cm.Spectral) #绘制散点图
plt.show()
# 上一语句如出现问题，请使用下面的语句：
# plt.scatter(X[0, :], X[1, :], c=np.squeeze(Y), s=40, cmap=plt.cm.Spectral) #绘制散点图

输出：

# X(2, 400)
# 也就说明有两个特征，即X1 X2，一共有400组特征输入
(2, 400)
# Y(1,400)
# 输出分别是400组输入的label
(1, 400)

数据图片

三、分析网络

我们要建立的网络结构如下：

3.1 公式及含义

本次实验涉及到的公式及相关含义：
$z^{[1](i)} = W^{[1]} x^{(i)} + b^{[2](i)} \tag{1}$
$a^{[1](i)} = tanh(z^{[1](i)})\tag{2}$
$z^{[2](i)} = W^{[2]} x^{(i)} + b^{[2](i)} \tag{3}$
$\hat{y}^{(i)} = a^{[2](i)} = sigmoid(z^{[2](i)}) = \sigma(z^{[2](i)}) = \frac{1}{1+e^{-z^{[2](i)}}} \tag{4}$
$y^{(i)}_{prediction} = \begin{cases} 1, \quad\quad\quad y^{(i)} > 0.5 \\ 0, \quad\quad\quad 其它 \end{cases} \tag{5}$
$-\frac{1}{m}\sum_{i=0}^{m-1}\Big( y^{(i)}log(\hat y^{(i)})+(1-y^{(i)})log(1- \hat y^{(i)}) \Big)\tag {6}$
其中J是交叉熵损失，在《统计学方法》(李航著)第六章中有详细讲解。其余公式在吴恩达老师的深度学习课程第一课第三周中讲过，如果有什么忘记或者不清楚的，建议及时回看。
（PS：附上PPT中的梯度下降算法更新参数部分的公式）
梯度下降算法公式
其中 $g^{[1]'} = 1-a^2$

四、构建网络

构建网络的一般方法如下：
1.定义神经网络结构（输入特征值个数，隐藏层规模，输出层规模等）
2.初始化模型参数
3.循环优化参数：
3.1 正向传播
3.2 计算损失
3.3 后向传播
3.4 更新参数

4.1 定义神经网络结构

结构如分析网络时的图片，有两个特征输入，隐藏层有四个神经元，输出层有一个神经元，有一个输出值。

# 定义神经网络结构
def init_layer_size(x, y):
    # 输出层数量（特征值个数）
    n_x = x.shape[0]
    # 隐藏层数量（神经元个数）
    n_h = 4
    # 输出层数量
    n_y = y.shape[0]
    return n_x, n_y, n_h

4.2 初始化模型参数

# 初始化模型参数

# n_x :特征值类别
# n_y :输出层输出个数
# n_h :隐藏层神经元个数
def initialize_parameters(n_x, n_y, n_h):

    # 隐藏层
    # n_h个神经元（隐藏层输出个数），n_x个输入
    W1 = np.random.randn(n_h, n_x) * 0.01
    # 加到每个神经元上的，所以是（神经元个数，1）
    b1 = np.zeros(shape=(n_h, 1))

    # 输出层
    # n_y个神经元（输出层输出个数），n_h个输入（来自于隐藏层的输出）
    W2 = np.random.randn(n_y, n_h) * 0.01
    # 加到每个神经元上的，所以是（神经元个数，1）
    b2 = np.zeros(shape=(n_y, 1))

    assert (W1.shape == (n_h, n_x))
    assert (b1.shape == (n_h, 1))
    assert (W2.shape == (n_y, n_h))
    assert (b2.shape == (n_y, 1))

    res = {
        'W1': W1,
        'b1': b1,
        'W2': W2,
        'b2': b2
    }
    return res

4.3 循环优化参数

4.3.1 正向传播参数

# 正向传播参数

# X 输入
# parameters 参数
def forward_propagation(X, parameters):
    W1 = parameters['W1']
    b1 = parameters['b1']
    W2 = parameters['W2']
    b2 = parameters['b2']

    # W1 (4, 2)
    # X  (2, 400)
    # b1 (4, 1)
    Z1 = np.dot(W1, X) + b1
    A1 = np.tanh(Z1)
    Z2 = np.dot(W2, A1) + b2
    # A2 (1, 400)
    A2 = sigmoid(Z2)

    # 确保数据的正确性
    assert (A2.shape == (1, X.shape[1]))

    res = {
        'Z1': Z1,
        'A1': A1,
        'Z2': Z2,
        'A2': A2
    }
    return A2, res

4.3.2 计算损失

# 计算交叉熵损失（Cost Function）
# A2 (1, 400)
# Y  (1, 400)
def compute_cost(A2, Y):
    # 训练集组数
    m = Y.shape[1]
    cost = (-1 / m) * np.sum(Y * np.log(A2) + (1 - Y) * (np.log(1 - A2)))  # 成本函数
    cost = float(np.squeeze(cost))

    assert (isinstance(cost, float))

    return cost

4.3.3 反向传播

# 反向传播
def background_propagation(parameters, res, X, Y):
    m = Y.shape[1]

    W1 = parameters['W1']
    W2 = parameters['W2']

    A1 = res['A1']
    A2 = res['A2']

    dZ2 = A2 - Y
    dW2 = (1 / m) * np.dot(dZ2, A1.T)
    db2 = (1 / m) * np.sum(dZ2, axis=1, keepdims=True)

    dZ1 = np.multiply(np.dot(W2.T, dZ2), (1 - np.power(A1, 2)))
    dW1 = (1 / m) * np.dot(dZ1, X.T)
    db1 = (1 / m) * np.sum(dZ1, axis=1, keepdims=True)

    res = {
        'dW1': dW1,
        'db1': db1,
        'dW2': dW2,
        'db2': db2,
    }

    return res

4.3.4 更新参数

# 使用梯度下降算法更新参数
def update_parameters(parameters, res, learning_rate=0.5):
    W1, W2 = parameters['W1'], parameters['W2']
    b1, b2 = parameters['b1'], parameters['b2']

    dW1, dW2 = res['dW1'], res['dW2']
    db1, db2 = res['db1'], res['db2']

    W1 = W1 - learning_rate * dW1
    b1 = b1 - learning_rate * db1
    W2 = W2 - learning_rate * dW2
    b2 = b2 - learning_rate * db2

    res = {
        'W1': W1,
        'b1': b1,
        'W2': W2,
        'b2': b2,
    }

    return res

4.4 预测

def predict(parameters, X):
    A2, res = forward_propagation(X, parameters)
    predictions = np.round(A2)
    return predictions

4.5 整合与调用


def model(X, Y, n_h, num_iterations, print_cost=False):

    layer_size = init_layer_size(X, Y)

    # 注意layer_size的参数的位置
    n_x = layer_size[0]
    n_y = layer_size[1]

    parameters = initialize_parameters(n_x, n_y, n_h)
    W1 = parameters['W1']
    b2 = parameters['b2']
    W1 = parameters['W1']
    b2 = parameters['b2']

    for i in range(num_iterations):
        A2, res_4_forward_propagation = forward_propagation(X, parameters)
        costs = compute_cost(A2, Y)
        res_4_background_propagation = background_propagation(parameters, res_4_forward_propagation, X, Y)
        parameters = update_parameters(parameters, res_4_background_propagation, learning_rate=0.5)

        if print_cost:
            if i % 1000 == 0:
                print('第', i, '次循环，成本为：' + str(costs))

    return parameters
    
parameters = model(X, Y, n_h=4, num_iterations=10000, print_cost=True)

4.6 绘制结果

#绘制边界
planar_utils.plot_decision_boundary(lambda x: predict(parameters, x.T), X, Y)
plt.title("Decision Boundary for hidden layer size " + str(4))

predictions = predict(parameters, X)
print('准确率: %d' % float((np.dot(Y, predictions.T) + np.dot(1 - Y, 1 - predictions.T)) / float(Y.size) * 100) + '%')
plt.show()

X, Y = planar_utils.load_planar_dataset()


plt.scatter(X[0, :], X[1, :], c=np.squeeze(Y), s=40, cmap=plt.cm.Spectral) #绘制散点图
plt.show()

输出：

第 0 次循环，成本为：0.6931125167719424
第 1000 次循环，成本为：0.3018260619349989
第 2000 次循环，成本为：0.28671239842926227
第 3000 次循环，成本为：0.27867697737583497
第 4000 次循环，成本为：0.2733112974222824
第 5000 次循环，成本为：0.26926236471810167
第 6000 次循环，成本为：0.2659462203243697
第 7000 次循环，成本为：0.26305193251429543
第 8000 次循环，成本为：0.2603753013304441
第 9000 次循环，成本为：0.25760866918830294
准确率: 90%

结果图片

五、参考资料

IMU_YY

关注

3
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
【神经网络和深度学习】吴恩达（Andrew Ng）- 第一课第三周课程编程作业

一、综述本文根据吴恩达老师第三周的深度学习课程的课后编程作业来写的，其中涉及到的test_cases.py和planar_utils.py在此处下载。二、准备工作2.1 分析问题我们要做的是：建立一个包含一个隐藏层，一个输出层的神经网络。该神经网的功能与第二周的Logistic Regression回归处理的问题是相似的，都是分类问题。但是，此次的数据集根据单纯的Logistic...
复制链接

扫一扫

专栏目录