标签：吴恩达 作业 第一节 print train flatten test np data
文章目录
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
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。