吴恩达深度学习第一节作业1——实现简单逻辑回归

文章目录

• • • 一些笔记
    • 写作业
    • • 导入数据
      • 取出训练集、测试集
      • 处理数据的维度
      • 标准化数据
      • sigmoid 函数
      • 初始化参数w、b
      • 前向传播、代价函数、梯度下降
      • 优化
      • 预测函数
      • 模型整合
      • 使用模型
      • 绘制代价曲线
      • 单个样本测试
      • 不同alpha的比较
      • 预测新图

根据笔记中的公式进行构造函数，之后使用模型进行预测

一些笔记

写作业

导入数据

import h5py
import numpy as np

# 训练集、测试集
train_data = h5py.File('./train_catvnoncat.h5', "r")
test_data = h5py.File('./test_catvnoncat.h5', "r")
# h5 格式类似字典,处理的话需要导入h5py包

for key in train_data.keys():
    print(key)
# list_classes 类别
# train_set_x  猫片
# train_set_y  标签

查看一下训练集的格式

print(train_data['train_set_x'].shape)# 209个样本，64*64  三个通道
print(train_data['train_set_y'].shape) # 209个标签

测试集同理，50个样本

取出训练集、测试集

train_data_org=train_data['train_set_x'][:]
train_label_org=train_data['train_set_y'][:]
test_data_org=test_data['test_set_x'][:]
test_label_org=test_data['test_set_y'][:]

# 查看图片
import matplotlib.pyplot as plt

%matplotlib inline  
#  在线显示图片 或者使用plt.show
plt.imshow(train_data_org[148])

处理数据的维度

从上面手写笔记可以看出，每个实例对应的输入应该只有一列，但是数据集中输入为(64,64,3)，所以需要进行处理数据的维度

m_train=train_data_org.shape[0]
m_test=test_data_org.shape[0]
train_data_flatten=train_data_org.reshape(m_train,-1).T
test_data_flatten=test_data_org.reshape(m_test,-1).T

print(train_data_flatten.shape,test_data_flatten.shape)

标签的shape为(209,)需要处理成矩阵形式，使用上面reshape方法也可以，这里使用np中添加行

test_label_flatten=test_label_org[np.newaxis,:]
train_label_flatten=train_label_org[np.newaxis,:]
# 添加一行，将原来的(50,)变成(1,50)
#通常从二维数组里面抽取一列，取出来之后维度却变成了一维，如果我们需要将其还原为二维，就可以使用上述方法
# 也可以使用上面的reshape方法

print(test_label_flatten.shape,train_label_flatten.shape)

标准化数据

图片的三个RGB通道，位于0-255，标签的量级在0、1，需要将其归一化，进行÷255即可

train_data_stan=train_data_flatten/255
test_data_stan=test_data_flatten/255

sigmoid 函数

def sigmoid(z):
    return 1/(1+np.exp(-z))

初始化参数w、b

n_dim = train_data_stan.shape[0]
w=np.zeros((n_dim,1))
b=0

前向传播、代价函数、梯度下降

def propagate(w,b,X,Y):
    #前向传播
    Z=np.dot(w.T,X)+b
    A=sigmoid(Z)
    
    # 代价函数
    m=X.shape[1]
    J=-1/m*np.sum(Y*np.log(A)+(1-Y)*np.log(1-A))
    
    # 梯度下降
    dw=1/m*np.dot(X,(A-Y).T)
    db=1/m*np.sum(A-Y)
    
    grands={
        "dw":dw,
        "db":db
    }
    
    return grands,J

优化

进行上述函数的多次迭代，进行梯度下降优化

def optimize(w,b,X,Y,alpha,n_iters,is_print):
    costs=[]
    for i in range(n_iters):
        grads,J=propagate(w,b,X,Y)
        dw=grads["dw"]
        db=grads["db"]
        
        w=w-alpha*dw
        b=b-alpha*db
        
        if i %100==0:
            costs.append(J)
            if(is_print):
                print("n_iters is",i,"cost is",J)
    grands={
        "dw":dw,
        "db":db
    }
    params={
        "w":w,
        "b":b
    }
    
    return grads,params,costs

预测函数

通过上面梯度下降得到的w、b优化好的前向传播函数，进行预测测试集的结果

def predict(w,b,X_test):
    
    m = X_test.shape[1]
    
    Y_prediction = np.zeros((1,m))#放预测值的矩阵
    
    Z=np.dot(w.T,X_test)+b
    A=sigmoid(Z)
    
    for i in range(m):
        if A[0, i] <= 0.5:
            Y_prediction[0, i] = 0
        else:
            Y_prediction[0, i] = 1
        
    return Y_prediction

模型整合

将上面的函数封装到model()函数里面，方便调用

def model(w,b,X_train,Y_train,X_test,Y_test,alpha,n_iters,is_print):
    grads,params,costs=optimize(w,b,X_train,Y_train,alpha,n_iters,is_print)
    
    w,b=params['w'],params['b']
    
    ##预测要在测试集上面预测，也要看在训练集上面的预测，来看看拟合程度
    Y_train_prediction=predict(w,b,X_train)
    Y_test_prediction=predict(w,b,X_test)
    
    ##看两个预测结果的准确率
    print("train acc",np.mean(Y_train_prediction==Y_train)*100)    
    print("test acc",np.mean(Y_test_prediction==Y_test)*100)
    
    ret={
        'w':w,
        'b':b,   
        'costs':costs,
        'Y_train_prediction':Y_train_prediction,
        'Y_test_prediction':Y_test_prediction,
        'alpha':alpha
    }
    
    return ret

使用模型

ret=model(w,b,train_data_stan,train_label_flatten,test_data_stan,test_label_flatten,0.005,2000,True)

绘制代价曲线

plt.plot(ret['costs'])
plt.xlabel('100 iters')
plt.ylabel('cost')

单个样本测试

index = 18
plt.imshow(test_data_stan[:,index].reshape((64, 64, 3)))
#plt.imshow(test_data_org[index])
print ("y = " + str(test_label_flatten[0,index]) + ", you predicted  ",int(ret["Y_test_prediction"][0,index]))

不同alpha的比较

alphas=[0.01,0.001,0.0001]
for i in alphas:
    
    print ("learning rate is: " + str(i))
    ret=model(w,b,train_data_stan,train_label_flatten,test_data_stan,test_label_flatten,i,2000,False)
    print ('\n' + "-------------------------------------------------------" + '\n')

    plt.plot(ret['costs'],label=str(i))

plt.xlabel('100 iters')
plt.ylabel('cost')
plt.legend()

预测新图

预测一下自己的图片

path='./1.jpg'
img=plt.imread(path)
plt.imshow(img)#img.shape (690,690,3)

#尺寸变换
from skimage import transform
img_tran=transform.resize(img,(64,64,3)).reshape(64*64*3,1)
#img_tran.shape (12288,1)

y=predict(ret['w'],ret['b'],img_tran)
print(y)#说明预测结果不是猫，EMMMM,正确率有点低，毕竟是最简单的神经网络了，www

标签：吴恩达,作业,第一节,print,train,flatten,test,np,data
来源： https://blog.csdn.net/qq_41488595/article/details/120668036