本文需要使用数据集dataset,点击下载。使用的运行环境是Python3.7。详细注释所有代码,以供自己复习使用。
第一部分 实验说明
一、实验目的
搭建一个能够【识别猫】 的简单的神经网络
二、实验过程
建立神经网络的主要步骤:
1—定义模型结构(例如输入特征的数量)
2—初始化模型的参数
3-循环
3.1-计算当前损失(正向传播)
3.2—计算当成梯度(反向传播)
3.3—更新参数(梯度下降)
三、代码函数说明—具体代码实现见第二部分
函数名 | 函数实现 |
def load_dataset() | 加载资料包里面的数据,随后并对加载的数据进行处理 |
sigmoid() | sigmoid(w ^ T x + b) 计算来做出预测 |
def propagate(w, b, X, Y) | 实现前向和后向传播的成本函数及其梯度 |
def optimize(w , b , X , Y , num_iterations , learning_rate , print_cost = False) | 行梯度下降算法来优化w和b |
ef 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 |
def model(): | 整合到一个model()函数中 |
第二部分 实验代码
一、需要导入的包
#-*- coding: utf-8 -*- #编码注释
import numpy as np #导入numpy包
import matplotlib.pyplot as plt #导入matplotlib.pyplot包
import h5py #导入h5py
1、编码ANSI、GB2312、UNICODE与UTF-8区别
编码方式 | 特点 |
ANSI | 属于单字节编码,最多表示范围0x00-0xFF,255个字符 |
GB2312/GBK | GB2312/GBK,汉字国标编码,属于双字节编码,其中英文字母部分和iso8859-1一致,GBK编码能同时表示简体字和繁体字,GB2312只能表示简体字,GBK则兼容GB2312编码。 |
UTF-8 | UTF-8本来设计主要用于网络传输,优点是单字节字节编码所以不用考虑字节序问题,但是目前也被应用在本地文档存储格式上 |
UNICODE | UNICODE编码则是指UTF-16 LE,UTF-16是Windows上默认的Unicode编码方式,常用的Word文档、标准化软件等都是使用Unicode编码 |
Python 默认脚本文件都是 ANSCII
编码的,当文件 中有非 ANSCII 编码范围内的字符的时候就要使用"编码指示
"来修正一个 module 的定义中,如果.py文件中包含中文字符(严格的说是含有非anscii字符),则需要在第一行或第二行指定编码声明:# -*- coding=utf-8 -*-
或者 #coding=utf-8。
其他的编码如:gbk、gb2312也可以;否则会出现
Python中默认的编码格式是 ASCII 格式,在没修改编码格式时无法正确打印汉字,所以在读取中文时会报错。
2、关于import
import语句 | 模块名.函数名 |
from...import语句 | Python 的 from 语句让你从模块中导入一个指定的部分到当前命名空间中。 |
from...import*语句 | 把一个模块的所有内容全都导入到当前的命名空间也是可行的, |
3、关于numpy库和matplotlib库
numpy库参考https://www.runoob.com/numpy/numpy-linear-algebra.html
matplotlib参考https://www.runoob.com/numpy/numpy-matplotlib.html
[因为我们的dataset是h5格式]:h5py文件是存放两类对象的容器,数据集(dataset)和组(group),dataset类似数组类的数据集合,和numpy的数组差不多。group是像文件夹一样的容器,它好比python中的字典,有键(key)和值(value)。group中可以存放dataset或者其他的group。”键”就是组成员的名称,”值”就是组成员对象本身(组或者数据集)
二、关于加载数据的函数并进行测试
##加载数据的函数
def load_dataset():
#关于训练集
train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r") #可读文件
train_set_x_orig = np.array(train_dataset["train_set_x"][:]) # your train set features
#train_set_x_orig :保存的是训练集里面的图像数据(本训练集有209张64x64的图像)
train_set_y_orig = np.array(train_dataset["train_set_y"][:]) # your train set labels
#train_set_y_orig :保存的是训练集的图像对应的分类值(【0 | 1】,0表示不是猫,1表示是猫)
#关于测试集
test_dataset = h5py.File('datasets/test_catvnoncat.h5', "r")
test_set_x_orig = np.array(test_dataset["test_set_x"][:]) # your test set features
#test_set_x_orig :保存的是测试集里面的图像数据(本训练集有50张64x64的图像)
test_set_y_orig = np.array(test_dataset["test_set_y"][:]) # your test set labels
#test_set_y_orig : 保存的是测试集的图像对应的分类值(【0 | 1】,0表示不是猫,1表示是猫)
#是猫不是猫
classes = np.array(test_dataset["list_classes"][:]) # the list of classes
#classes : 保存的是以bytes类型保存的两个字符串数据,数据为:[b’non-cat’ b’cat’]
#改变数组形状
train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0])) #存在问题
#关于train_set_x与test_set_y变量是已存在的变量
return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes
#把数据加载到主程序中
train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset()
#查看加载图片信息
#plt.imshow()函数负责对图像进行处理,并显示其格式,而plt.show()则是将plt.imshow()处理后的函数显示出来
index = 2;
plt.imshow(train_set_x_orig[index]);
plt.show()
print("train_set_y=" + str(train_set_y)) #查看一下训练集里面的标签是什么样的。
print("test_set_y=" + str(test_set_y)) #查看一下测试集里面的标签是什么样的。
print(train_set_y.shape) #输出训练集的大小
print(test_set_y.shape) #输出测试集的大小
print(train_set_x_orig.shape) #(209, 64, 64, 3)
print(test_set_x_orig.shape) #(50, 64, 64, 3)
print(classes) #[b'non-cat' b'cat']
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))
关于变量的说明
变量名 | 解释 |
train_set_x_orig | 保存的是训练集里面的图像数据(本训练集有209张64x64的图像) |
train_set_y_orig;train_set_y | 保存的是训练集的图像对应的分类值(【0 | 1】,0表示不是猫,1表示是猫) |
test_set_x_orig | 保存的是测试集里面的图像数据(本训练集有50张64x64的图像) |
test_set_y_orig;test_set_y | 保存的是测试集的图像对应的分类值(【0 | 1】,0表示不是猫,1表示是猫) |
classes | 保存的是以bytes类型保存的两个字符串数据,数据为:[b’non-cat’ b’cat’] |
m_train | 训练集里图片的数量 |
m_test | 测试集里图片的数量 |
num_px | 训练、测试集里面的图片的宽度和高度(均为64x64) |
运行结果截图:
将数据进行处理
#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))
#理解矩阵的变化
#除以255,让标准化的数据位于[0,1]之间,现在标准化我们的数据集 #像素值的范围为0—255
train_set_x = train_set_x_flatten / 255
test_set_x = test_set_x_flatten / 255
运行结果截图:
三、构造sigmoid()函数并进行测试
##构建sigmoid() 参数:z - 任何大小的标量或numpy数组。返回: s - sigmoid(z)
def 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)))
运行结果截图:
四、初始化参数w和b
函数功能 | 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 |
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) |
##初始化我们需要的参数w和b
def initialize_with_zeros(dim):
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
return (w , b)
五、实现前向和后向传播的成本函数及其梯度
函数功能 | 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 |
相对于w的损失梯度,因此与w相同的形状 | |
相对于b的损失梯度,因此与b的形状相同 |
##执行“前向”和“后向”传播步骤来学习参数。
def propagate(w, b, X, Y):
m = X.shape[1]
#正向传播
A = sigmoid(np.dot(w.T,X) + b) #计算激活值,请参考公式2。
cost = (- 1 / m) * np.sum(Y * np.log(A) + (1 - Y) * (np.log(1 - A))) #计算成本,请参考公式3和4。
#反向传播
dw = (1 / m) * np.dot(X, (A - Y).T) #请参考视频中的偏导公式。
db = (1 / m) * np.sum(A - Y) #请参考视频中的偏导公式。
#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))
运行结果截图:
六、通过最小化成本函数 J 来学习 w和b
函数功能 | 目标是通过最小化成本函数 J 来学习 w和b 。对于参数 θ ,更新规则是 θ=θ−α dθ,其中 α 是学习率 |
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 | |
costs - 优化期间计算的所有成本列表,将用于绘制学习曲线。 |
##目标是通过最小化成本函数 J 来学习 w和b 。对于参数 θ ,更新规则是 θ=θ−α dθ,其中 α 是学习率
def optimize(w , b , X , Y , num_iterations , learning_rate , print_cost = False):
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)
#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"]))
运行结果截图:
七、使用w和b来预测数据集X的标签
函数功能 | 使用w和b来预测数据集X的标签。预测值存储在向量Y_prediction |
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) |
##optimize函数会输出已学习的w和b的值,我们可以使用w和b来预测数据集X的标签。预测值存储在向量Y_prediction
def predict(w , b , X ):
m = X.shape[1] #图片的数量
Y_prediction = np.zeros((1,m))
w = w.reshape(X.shape[0],1)
#计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
#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)))
运行结果截图:
八、把上面这些函数统统整合到一个model()函数中
函数功能 | 要把这些函数统统整合到一个model()函数中 |
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。 |
##要把这些函数统统整合到一个model()函数中
def model(X_train , Y_train , X_test , Y_test , num_iterations = 2000 , learning_rate = 0.5 , print_cost = False):
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 = 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)
运行结果截图:
九、绘图
#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()
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()
运行结果截图:
十、完整代码
#-*- coding: utf-8 -*- #编码注释
import numpy as np #导入numpy包
import matplotlib.pyplot as plt #导入matplotlib.pyplot包
import h5py #导入h5py
##加载数据的函数
def load_dataset():
#关于训练集
train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r") #可读文件
train_set_x_orig = np.array(train_dataset["train_set_x"][:]) # your train set features
#train_set_x_orig :保存的是训练集里面的图像数据(本训练集有209张64x64的图像)
train_set_y_orig = np.array(train_dataset["train_set_y"][:]) # your train set labels
#train_set_y_orig :保存的是训练集的图像对应的分类值(【0 | 1】,0表示不是猫,1表示是猫)
#关于测试集
test_dataset = h5py.File('datasets/test_catvnoncat.h5', "r")
test_set_x_orig = np.array(test_dataset["test_set_x"][:]) # your test set features
#test_set_x_orig :保存的是测试集里面的图像数据(本训练集有50张64x64的图像)
test_set_y_orig = np.array(test_dataset["test_set_y"][:]) # your test set labels
#test_set_y_orig : 保存的是测试集的图像对应的分类值(【0 | 1】,0表示不是猫,1表示是猫)
#是猫不是猫
classes = np.array(test_dataset["list_classes"][:]) # the list of classes
#classes : 保存的是以bytes类型保存的两个字符串数据,数据为:[b’non-cat’ b’cat’]
#改变数组形状
train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0])) #存在问题
#关于train_set_x与test_set_y变量是已存在的变量
return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes
#把数据加载到主程序中
train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset()
#查看加载图片信息
#plt.imshow()函数负责对图像进行处理,并显示其格式,而plt.show()则是将plt.imshow()处理后的函数显示出来
index = 2;
plt.imshow(train_set_x_orig[index]);
plt.show()
print("train_set_y=" + str(train_set_y)) #查看一下训练集里面的标签是什么样的。
print("test_set_y=" + str(test_set_y)) #查看一下测试集里面的标签是什么样的。
print(train_set_y.shape) #输出训练集的大小
print(test_set_y.shape) #输出测试集的大小
print(train_set_x_orig.shape) #(209, 64, 64, 3)
print(test_set_x_orig.shape) #(50, 64, 64, 3)
print(classes) #[b'non-cat' b'cat']
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))
#理解矩阵的变化
#除以255,让标准化的数据位于[0,1]之间,现在标准化我们的数据集 #像素值的范围为0—255
train_set_x = train_set_x_flatten / 255
test_set_x = test_set_x_flatten / 255
##构建sigmoid(),需要使用 sigmoid(w ^ T x + b) 计算来做出预测
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)))
##初始化我们需要的参数w和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
return (w , b)
##执行“前向”和“后向”传播步骤来学习参数。
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]
#正向传播
A = sigmoid(np.dot(w.T,X) + b) #计算激活值,请参考公式2。
cost = (- 1 / m) * np.sum(Y * np.log(A) + (1 - Y) * (np.log(1 - A))) #计算成本,请参考公式3和4。
#反向传播
dw = (1 / m) * np.dot(X, (A - Y).T) #请参考视频中的偏导公式。
db = (1 / m) * np.sum(A - Y) #请参考视频中的偏导公式。
#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))
##目标是通过最小化成本函数 J 来学习 w和b 。对于参数 θ ,更新规则是 θ=θ−α dθ,其中 α 是学习率
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)
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)
#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"]))
##optimize函数会输出已学习的w和b的值,我们可以使用w和b来预测数据集X的标签。预测值存储在向量Y_prediction
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)
#计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
#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)))
##要把这些函数统统整合到一个model()函数中
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。
"""
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 = 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)
#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()
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()