在开始之前,首先声明本文是作为一个初学者的学习笔记,在学习CSDN博主「何宽」的原创文章,原文链接:https://blog.csdn.net/u013733326/article/details/79702148 【【吴恩达课后编程作业】Course 1 - 神经网络和深度学习 - 第三周作业时,碰到一些问题,所以做了总结,方便自己之后碰到问题可以回头查阅。如有不妥的地方欢迎大家指正,如果大佬不喜欢我可以给他删掉。
——————————————————————————————————————————————————————————
大佬上传的的资料在百度网盘,提取码:qifu 。点此处下载:[百度网盘]。(https://pan.baidu.com/s/12VnFvaQf16J0RV1n1xsRvg&shfl=sharepset)
——————————————————————————————————————————————————————————
本次作业要做的目标内容:
构建具有单隐藏层的2类分类神经网络。
使用具有非线性激活功能激活函数,例如tanh。
计算交叉熵损失(损失函数)。
实现向前和向后传播。
——————————————————————————————————————————————————————————
准备软件包:
numpy:是用Python进行科学计算的基本软件包。
sklearn:为数据挖掘和数据分析提供的简单高效的工具。
matplotlib :是一个用于在Python中绘制图表的库。
testCases:提供了一些测试示例来评估函数的正确性,参见下载的资料。
planar_utils :提供了在这个任务中使用的各种有用的功能,参见下载的资料。
import numpy as np
import matplotlib.pyplot as plt
from testCases import *
import sklearn
import sklearn.datasets
import sklearn.linear_model
from planar_utils import plot_decision_boundary, sigmoid, load_planar_dataset, load_extra_datasets
np.random.seed(1)#准备一个随机数的种子
——————————————————————————————————————————————————————————
加载和查看数据集:
np.random.seed(1)#准备一个随机数的种子
#加载数据集
X, Y = load_planar_dataset()
#绘制可视化图像,X是2*n矩阵,y是颜色,s是数据的数量,cmap代表按照y不同,用不同颜色分开
plt.scatter(X[0, :] , X[1, :] , c = np.squeeze(Y) , s = 40 , cmap = plt.cm.Spectral)
plt.show()#老是忘记这一行,没有他看不到图啊
运行结果如下:
——————————————————————————————————————————————————————————
查看数据的大小:
shape_X = X.shape
shape_Y = Y.shape
m = Y.shape[1]
print ("X的维度为:" + str(shape_X))
print ("Y的维度为:" + str(shape_Y))
print ("数据集里面的数据有:" + str(m) + "个")
运行结果如下:
X的维度为:(2, 400)
Y的维度为:(1, 400)
数据集里面的数据有:400个
——————————————————————————————————————————————————————————
查看简单的Logistic回归的分类效果:
使用sklearn的内置函数来做到这一点, 运行下面的代码来训练数据集上的逻辑回归分类器:
clf = sklearn.linear_model.LogisticRegressionCV()
clf.fit(X.T,Y.T)
会有如下显示:
d:\ProgramData\Anaconda3\lib\site-packages\sklearn\utils\validation.py:724: DataConversionWarning: A column-vector y was passed when a 1d array was expected. Please change the shape of y to (n_samples, ), for example using ravel().
y = column_or_1d(y, warn=True)
d:\ProgramData\Anaconda3\lib\site-packages\sklearn\model_selection\_split.py:1978: FutureWarning: The default value of cv will change from 3 to 5 in version 0.22. Specify it explicitly to silence this warning.
warnings.warn(CV_WARNING, FutureWarning)
我们可以把逻辑回归分类器的分类绘制出来:
#绘制决策边界 , 此处做了修改,将Y进行了向量化 lambda函数的功能就是实现一个 : 之前是输入 : 之后是输出的函数
plot_decision_boundary(lambda x: clf.predict(x), X, np.squeeze(Y))
plt.title("Logistic Regression") #图标题
plt.show()#别忘记显示一下
LR_predictions = clf.predict(X.T) #预测结果
"""
关于预测准确性的式子来源:
首先LR_predictions是预测结果(只有0和1)
np.dot(Y, LR_predictions)就是真实值Y与预测值的内积(每个元素相乘加起来)
只有真实值和预测值都为1时,才有用,因为其他其他情况都为0,对结果没影响
这个np.dot(Y, LR_predictions)就是预测正确并且结果是1的那部分
同理np.dot(1 - Y,1 - LR_predictions)是预测正确并且结果是0的那部分
最后加起来求和除以总的样本就是正确率
"""
print ("逻辑回归的准确性: %d " % float((np.dot(Y, LR_predictions) +
np.dot(1 - Y,1 - LR_predictions)) / float(Y.size) * 100) +
"% " + "(正确标记的数据点所占的百分比)")
逻辑回归的准确性: 47 % (正确标记的数据点所占的百分比)
——————————————————————————————————————————————————————————
搭建神经网络:
构建神经网络的步骤:
定义神经网络结构(输入单元的数量,隐藏单元的数量等)。
初始化模型的参数
循环:
实施前向传播
计算损失
实现向后传播
更新参数(梯度下降)
我们要它们合并到一个nn_model() 函数中,当我们构建好了nn_model()并学习了正确的参数,我们就可以预测新的数据。
1、定义神经网络结构
n_x: 输入层的数量
n_h: 隐藏层的数量(这里设置为4)
n_y: 输出层的数量
def layer_sizes(X , Y):
"""
参数:
X - 输入数据集,维度为n_x * m
Y - 标签,维度为 1 * m
返回:
n_x - 输入层的数量
n_h - 隐藏层的数量
n_y - 输出层的数量
"""
n_x = X.shape[0]
n_h = 4
n_y = Y.shape[0]
return (n_x , n_h , n_y)
进行测试:
print("=========================测试layer_sizes=========================")
X_asses , Y_asses = layer_sizes_test_case()
(n_x , n_h , n_y) = layer_sizes(X_asses , Y_asses)
print("输入层节点数量为:n_x = " + str(n_x))
print("隐藏层节点数量为:n_h = " + str(n_h))
print("输出层节点数量为:n_y = " + str(n_y))
运行结果如下:
=========================测试layer_sizes=========================
输入层节点数量为:n_x = 5
隐藏层节点数量为:n_h = 4
输出层节点数量为:n_y = 2
2、初始化模型的参数
在这里,我们要实现函数initialize_parameters(),确保参数大小合适。
我们将会用随机值初始化权重矩阵,将偏向量初始化为零。
def initialize_parameters(n_x , n_h , n_y):
"""
参数:
n_x - 输入层的数量
n_h - 隐藏层的数量
n_y - 输出层的数量
返回:
parameters - 包含参数的字典
w1 - 权重矩阵,维度为n_h * n_x
b1 - 偏置向量,维度为n_h * 1
w2 - 权重矩阵,维度为n_y * n_h
b2 - 偏置向量,维度为n_y * 1
"""
np.random.seed(2)
w1 = np.random.randn(n_h,n_x) * 0.01
b1 = np.zeros(shape = (n_h,1))
w2 = np.random.randn(n_y,n_h) * 0.01
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))
parameters = {
"w1" : w1 ,
"b1" : b1 ,
"w2" : w2 ,
"b2" : b2
}
return parameters
测试:
#测试initialize_parameters
print("=========================测试initialize_parameters=========================")
n_x , n_h , n_y = initialize_parameters_test_case()
parameters = initialize_parameters(n_x , n_h , n_y)
print("w1 = " + str(parameters["w1"]))
print("b1 = " + str(parameters["b1"]))
print("w2 = " + str(parameters["w2"]))
print("b2 = " + str(parameters["b2"]))
运行结果如下:
=========================测试initialize_parameters=========================
w1 = [[-0.00416758 -0.00056267]
[-0.02136196 0.01640271]
[-0.01793436 -0.00841747]
[ 0.00502881 -0.01245288]]
b1 = [[0.]
[0.]
[0.]
[0.]]
w2 = [[-0.01057952 -0.00909008 0.00551454 0.02292208]]
b2 = [[0.]]
3、向前传播
def forward_propagation(X , parameters):
"""
参数:
X - 输入的数据矩阵,大小为n_x * m
parameters - 初始化的神经网络权重与偏置矩阵
返回:
A2 - 使用sigmoid()函数计算的二次激活后的数值
cache - 包含z1 a1 z2 a2的字典
"""
W1 = parameters["W1"]
b1 = parameters["b1"]
W2 = parameters["W2"]
b2 = parameters["b2"]
#向前传播
Z1 = np.dot(W1,X) + b1
A1 = np.tanh(Z1)
Z2 = np.dot(W2,A1) +b2
A2 = sigmoid(Z2)
assert (A2.shape == (1,X.shape[1]))
cache = {
"Z1": Z1 ,
"A1": A1 ,
"Z2": Z2 ,
"A2": A2
}
return (A2, cache)
#测试forward_propagation
print("=========================测试forward_propagation=========================")
X_assess, parameters = forward_propagation_test_case()
A2, cache = forward_propagation(X_assess, parameters)
print(np.mean(cache["Z1"]), np.mean(cache["A1"]), np.mean(cache["Z2"]), np.mean(cache["A2"]))
测试结果如下:
=========================测试forward_propagation=========================
-0.0004997557777419902 -0.000496963353231779 0.00043818745095914653 0.500109546852431
4、计算成本
def compute_cost(A2 , Y , parameters):
"""
参数:
A2 - 使用sigmoid()函数计算的第二次激活后的数值
Y - "True"标签向量,维度为(1,数量)
parameters - 一个包含W1,B1,W2和B2的字典类型的变量
返回:
成本 -
"""
m = Y.shape[1]
W1 = parameters["W1"]
W2 = parameters["W2"]
#计算成本
logprobs = np.multiply(np.log(A2), Y) + np.multiply((1 - Y), np.log(1 - A2))
cost = - np.sum(logprobs) / m
cost = float(np.squeeze(cost))
assert(isinstance(cost,float))
return cost
进行测试:
print("=========================测试compute_cost=========================")
A2 , Y_assess , parameters = compute_cost_test_case()
print("cost = " + str(compute_cost(A2,Y_assess,parameters)))
运行结果如下:
=========================测试compute_cost=========================
cost = 0.6929198937761266
5、向后传播
def backward_propagation(parameters , cache , X , Y):
"""
参数:
parameters - 包含我们的参数的一个字典类型的变量。
cache - 包含“Z1”,“A1”,“Z2”和“A2”的字典类型的变量。
X - 输入数据,维度为(2,数量)
Y - “True”标签,维度为(1,数量)
返回:
grads - 包含W和b的导数一个字典类型的变量。
"""
m = X.shape[1]
W1 = parameters["W1"]
W2 = parameters["W2"]
A1 = cache["A1"]
A2 = cache["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)
grads = {
"dW1": dW1,
"db1": db1,
"dW2": dW2,
"db2": db2
}
return grads
#测试backward_propagation
print("=========================测试backward_propagation=========================")
parameters, cache, X_assess, Y_assess = backward_propagation_test_case()
grads = backward_propagation(parameters, cache, X_assess, Y_assess)
print ("dW1 = "+ str(grads["dW1"]))
print ("db1 = "+ str(grads["db1"]))
print ("dW2 = "+ str(grads["dW2"]))
print ("db2 = "+ str(grads["db2"]))
测试结果如下:
=========================测试backward_propagation=========================
dW1 = [[ 0.01018708 -0.00708701]
[ 0.00873447 -0.0060768 ]
[-0.00530847 0.00369379]
[-0.02206365 0.01535126]]
db1 = [[-0.00069728]
[-0.00060606]
[ 0.000364 ]
[ 0.00151207]]
dW2 = [[ 0.00363613 0.03153604 0.01162914 -0.01318316]]
db2 = [[0.06589489]]
6、更新
def update_parameters(parameters , grads ,learning_rate = 1.2):
"""
使用上面给出的梯度下降更新规则更新参数
参数:
parameters - 包含参数的字典类型的变量。
grads - 包含导数值的字典类型的变量。
learning_rate - 学习速率
返回:
parameters - 包含更新参数的字典类型的变量。
"""
W1,W2 = parameters["W1"],parameters["W2"]
b1,b2 = parameters["b1"],parameters["b2"]
dW1,dW2 = grads["dW1"],grads["dW2"]
db1,db2 = grads["db1"],grads["db2"]
W1 = W1 - learning_rate * dW1
b1 = b1 - learning_rate * db1
W2 = W2 - learning_rate * dW2
b2 = b2 - learning_rate * db2
parameters = {
"W1": W1,
"b1": b1,
"W2": W2,
"b2": b2}
return parameters
print("=========================测试update_parameters=========================")
parameters, grads = update_parameters_test_case()
parameters = update_parameters(parameters, grads)
print("W1 = " + str(parameters["W1"]))
print("b1 = " + str(parameters["b1"]))
print("W2 = " + str(parameters["W2"]))
print("b2 = " + str(parameters["b2"]))
=========================测试update_parameters=========================
W1 = [[-0.00643025 0.01936718]
[-0.02410458 0.03978052]
[-0.01653973 -0.02096177]
[ 0.01046864 -0.05990141]]
b1 = [[-1.02420756e-06]
[ 1.27373948e-05]
[ 8.32996807e-07]
[-3.20136836e-06]]
W2 = [[-0.01041081 -0.04463285 0.01758031 0.04747113]]
b2 = [[0.00010457]]
7、整合成为一个模块
def nn_model(X,Y,n_h,num_iterations,print_cost = False):
"""
参数:
X - 数据集,维度为(2,示例数)
Y - 标签,维度为(1,示例数)
n_h - 隐藏层的数量
num_iterations - 梯度下降循环中的迭代次数
print_cost - 如果为True,则每1000次迭代打印一次成本数值
返回:
parameters - 模型学习的参数,它们可以用来进行预测。
"""
np.random.seed(3)
n_x = layer_sizes(X,Y)[0]
n_y = layer_sizes(X,Y)[2]
parameters = initialize_parameters(n_x,n_h,n_y)
W1 = parameters["W1"]
b1 = parameters["b1"]
W2 = parameters["W2"]
b2 = parameters["b2"]
for i in range(num_iterations):
A2 , cache = forward_propagation(X,parameters)
cost = compute_cost(A2 , Y , parameters)
grads = backward_propagation(parameters,cache,X,Y)
parameters = update_parameters(parameters,grads,learning_rate = 0.5)
if print_cost:
if i%1000 == 0:
print("第",i,"次循环,成本为:"+str(cost))
return parameters
8、预测
def predict(parameters,X):
"""
使用学习的参数,为X中的每个示例预测一个类
参数:
parameters - 包含参数的字典类型的变量。
X - 输入数据(n_x,m)
返回
predictions - 我们模型预测的向量(红色:0 /蓝色:1)
"""
A2 , cache = forward_propagation(X,parameters)
predictions = np.round(A2)
return predictions
这时,整个神经网络已经搭建完毕,我们对x进行预测,并于实际相比对
parameters = nn_model(X, Y, n_h = 4, num_iterations=10000, print_cost=True)
#绘制边界
plot_decision_boundary(lambda x: predict(parameters, x.T), X, np.squeeze(Y))
plt.title("Decision Boundary for hidden layer size " + str(4))
plt.show()
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) + '%')
第 0 次循环,成本为:0.6930480201239823
第 1000 次循环,成本为:0.3098018601352803
第 2000 次循环,成本为:0.2924326333792646
第 3000 次循环,成本为:0.2833492852647412
第 4000 次循环,成本为:0.27678077562979253
第 5000 次循环,成本为:0.26347155088593144
第 6000 次循环,成本为:0.24204413129940763
第 7000 次循环,成本为:0.23552486626608762
第 8000 次循环,成本为:0.23140964509854278
第 9000 次循环,成本为:0.22846408048352365
准确率: 90%
准确率为90%,相比于logic回归有着显著的提升!好cool