【吴恩达-course1-第二周-编程作业】实验记录-【Jupyter方式】

返回总目录

本文是个人学习【中文】【吴恩达课后编程作业】Course 1 - 神经网络和深度学习 - 第二周作业 的详细实现过程。下面会围绕这篇文章来叙述。

注意事项

抄写python代码时，要注意缩进和原文中要保持一致。
C++中空格多一个少一个没什么关系，但Python中不行。

环境

Anaconda 3

第一部分（就是到猫那张图片之前）

原博文：

 在开始之前，首先声明本文参考【Kulbear】的github上的文章，本文参考Logistic Regression with a Neural Network mindset，我基于他的文章加以自己的理解发表这篇博客，力求让大家以最轻松的姿态理解吴恩达的视频，如有不妥的地方欢迎大家指正。

本文所使用的资料已上传到百度网盘【点击下载】，提取码：2u3w ，请在开始之前下载好所需资料，然后将文件解压到你的代码文件同一级目录下,请确保你的代码那里有lr_utils.py和datasets文件夹。

【博主使用的python版本：3.6.2】

我们要做的事是搭建一个能够**【识别猫】** 的简单的神经网络，你可以跟随我的步骤在Jupyter Notebook中一步步地把代码填进去，也可以直接复制完整代码，在完整代码在本文最底部。

在开始之前，我们有需要引入的库：

    numpy ：是用Python进行科学计算的基本软件包。
    h5py：是与H5文件中存储的数据集进行交互的常用软件包。
    matplotlib：是一个著名的库，用于在Python中绘制图表。
    lr_utils ：在本文的资料包里，一个加载资料包里面的数据的简单功能的库。

如果你没有以上的库，请自行安装。

import numpy as np
import matplotlib.pyplot as plt
import h5py
from lr_utils import load_dataset

    1
    2
    3
    4
    5

lr_utils.py代码如下，你也可以自行打开它查看：

import numpy as np
import h5py
    
    
def load_dataset():
    train_dataset = h5py.File('datasets/train_catvnoncat.h5', "r")
    train_set_x_orig = np.array(train_dataset["train_set_x"][:]) # your train set features
    train_set_y_orig = np.array(train_dataset["train_set_y"][:]) # your train set labels

    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_y_orig = np.array(test_dataset["test_set_y"][:]) # your test set labels

    classes = np.array(test_dataset["list_classes"][:]) # the list of classes
    
    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]))
    
    return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19

解释以下上面的load_dataset() 返回的值的含义：

    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 ：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 ： 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’]。

现在我们就要把这些数据加载到主程序里面：

train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset()

    1

我们可以看一下我们加载的文件里面的图片都是些什么样子的，比如我就查看一下训练集里面的第26张图片，当然你也可以改变index的值查看一下其他的图片。

index = 25
plt.imshow(train_set_x_orig[index])
#print("train_set_y=" + str(train_set_y)) #你也可以看一下训练集里面的标签是什么样的。

    1
    2
    3

运行结果如下：

操作步骤

下载作业包 提取码： 34rc

解压后，在这个文件夹里建一个main.py
如果你不会建.py,那就建立.txt,把代码复制进去,然后把.txt强制改为.py。（我没试，但我觉得可以）
把下面代码复制进去：

import numpy as np
import matplotlib.pyplot as plt
import h5py
from lr_utils import load_dataset

test_set_x_orig,test_set_y_orig,train_set_x_orig,train_set_y_orig, classes =load_dataset()
index=25
plt.imshow(train_set_x_orig[index])

打开Jupyter
新建一个文件夹

此时得到的是名为“Untitled Folder”的文件夹。在前面打勾，上面出现一个“Rename”，点击，改名为“datasets”

进入datasets文件夹，点击右上角的upload，把下载好的文件中的datasets里面的两个文件上传

（ctrl+a 全选即可）

点击“上传”
回到home页面 点击右上角“new”，点击python3
%run +【你的main路径】

点击上面的“运行”

出来啦~~~真棒！第一部分就完成啦！