版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/yyhaohaoxuexi/article/details/86513298
考完试了，总算有时间开始接触深度学习这块内容，最近听完了吴恩达老师在网易云课堂的第一、二周的课程，及时在此做出总结。（PS：第一周是概念性的东西，不理解的话多次回看就好了，总结从第二周的课程开始）
一、综述
首先，这篇博客是学完第二周的课程之后的总结，是以第二周的编程作业的逻辑顺序来写的，并非课程辅助教程之类的文章，内容可能与课程内容顺序不符，希望本着课程辅导教程的读者谅解。
因此本篇文章行文顺序如下图：
二、准备工作
2.1 分析问题
本次实验要做的是简单基于logistic regression的二分类，判断：猫或不是猫。即使用训练集和优化器得出最优的w和b，以此最优的w和b来测试（这段似乎就是上图的意思……看不看都行）。
2.2 处理数据
注意我们首先需要下载到本次实验的数据以及读取数据方法，并且将数据放在项目目录下新建的datasets文件夹内。其中pythonIr_utils.py文件内的方法是用来读取数据集的。
# 读取数据
# train_set_x_orig ：训练集里的图片（本训练集有209张64x64的图像）。
# train_set_y_orig ：训练集的图像对应的分类值（0表示不是猫，1表示是猫）。
# test_set_x_orig ：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 ： 测试集的图像对应的分类值（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’]。
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
根据以上的load_dataset()的返回值，我们可以得到本次实验所需的相关数据，我们可以测试输出相关数据的信息。
# 处理数据 测试数据格式
train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes = load_dataset()
# 训练集图片数量，train_set_y_orig (1,209)
num_train = train_set_y_orig.shape[1]
# 测试集图片数量，test_set_y_orig (1,50)
num_test = test_set_y_orig.shape[1]
# 训练集图片维度 64，64，3
num_px = train_set_x_orig.shape[1]
训练集和测试集的输入数据均为64 * 64 * 3的图片，即长64px、宽64px、三通道（RGB）的图片。
# 处理数据 降维处理
# 训练集 测试集 输入数据降维并转置
# .reshape(,-1)代表我也不知道是多少列，你自己算
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T # (64 * 64 * 3, 209)
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T # (64 * 64 * 3, 50)
# 标签
train_set_y_label = train_set_y_orig.reshape(train_set_y_orig.shape[0], -1) # (1, 209)
test_set_y_label = test_set_y_orig.reshape(test_set_y_orig.shape[0], -1) # (1, 50)
为了方便处理，对于输入数据，每一个图片使用一列进行表示；对于标签，每一个图片对应的标签使用一列进行记录，因此我们对输入数据和标签进行了降维处理。
# 处理数据 居中和标准化
train_set_x = train_set_x_flatten / 255
test_set_x = test_set_x_flatten / 255
对输入数据进行居中和标准化，因为RGB数据中不存在比255大的数据，因此对于每个数据除以255，使得标准化的数据位于[0, 1]之间。
处理数据过程如图：
三、分析网络
我们需要建立一个Logistic Pregression，全部实验的过程如下图：
3.1 公式及含义
本实验中所需要的数学公式：
由以上公式可以推得：
其中
是权重，
是偏置值 ；
是激励函数；
是没有被激活的；
是激活后的预测值；
是标签，也就是真实值；
是损失函数；
是代价函数。
激励函数（Activation Function）
确保我们需要的预测值在 之间
损失函数（Loss Function）
定义在单个训练样本上的，也就是就算一个样本的误差。比如我们想要分类，就是预测的类别和实际类别的区别，是一个样本的，用 表示。
代价函数（Cost Function）
定义在整个训练集上面的，也就是所有样本的误差的总和的平均，也就是损失函数的总和的平均，有没有这个平均其实不会影响最后的参数的求解结果，用
表示。
四、构建网络
做了那么多准备，终于到了激动人心的构建网络的过程了。（从这里开始是实际的代码部分）
在此之前先定义一些需要用到的函数：
# 构建神经网络
# 激励函数，确保我们需要的预测值在[0, 1]
def sigmoid(z):
s = 1 / (1 + np.exp(-z))
return s
4.1 初始化
# 构建神经网络
# 为w创建一个维度为（dim，1）的0向量，并将b初始化为0，dim 是特征的维度（数量）
def initialize_with_zeros(dim):
# 返回w和b，w为(dim,1) b是标量
w = np.zeros(shape=(dim, 1))
b = 0
# 吴恩达老师再三强调过，要确保数据的正确性
assert(w.shape == (dim, 1))
assert(isinstance(b, float) or isinstance(b, int))
return w, b
4.2 正向传播、后向传播
# 正向传播、后向传播
# w - 权重
# b - 偏置值
# X - 输入
# Y - 标签 [是猫: 1,非猫:0]
# 根据调用，我们可以看到通过X传入的值就是train_set_x，也就是居中和标准化之后的训练集输入；
# 通过Y传入的值就是train_set_y_orig，也就是训练集图像对应的标签（分类值），0表示不是猫，1表示是猫
def propagate(w, b, X, Y):
m = X.shape[1]
# 正向传播
A = sigmoid(np.dot(w.T, X) + b)
# 用来衡量算法运行情况
# loss function 通常用L表示
# 损失函数(Loss function)是定义在单个训练样本上的，也就是就算一个样本的误差。
# 比如我们想要分类，就是预测的类别和实际类别的区别，是一个样本的，用L表示
# cost function 通常用J表示
# 代价函数(Cost function)是定义在整个训练集上面的，
# 也就是所有样本的误差的总和的平均，也就是损失函数的总和的平均。
# 有没有这个平均其实不会影响最后的参数的求解结果。
# logistic regression 中使用 cost function 即J(w,b)
cost = (-1 / m) * np.sum(Y * np.log(A) + (1 - Y) * (np.log(1 - A))) # 成本函数
# 反向传播
# 根据损失函数，反向的计算每一层的z,a,w,b的偏导数，从而更新参数
# z = w.T * x + b
# a = sigmoid(z)
# L(a,y) = -(ylog(a) + (1-y)log(1-a))
# dL/dw = dL/da * da/dz * dz/ dw
# dL/db = dL/da * da/dz * dz/ db
dw = (1 / m) * np.dot(X, (A - Y).T)
db = (1 / m) * np.sum(A - Y)
# 确保数据正确
assert(dw.shape == w.shape)
assert(db.dtype == float)
# 保存 dw db
grads = {
'dw': dw,
'db': db
}
return grads, cost
4.3 梯度下降优化
# 通过运行梯度下降算法来优化w和b
# 根据后边的调用，我们可以看到通过X传入的值就是train_set_x，也就是居中和标准化之后的训练集输入；
# 通过Y传入的值就是train_set_y_orig，也就是训练集图像对应的标签（分类值），0表示不是猫，1表示是猫
def optimize(w, b, X, Y, num_literations, learning_rate, print_cost = False):
costs = []
for i in range(num_literations):
grads, cost = propagate(w, b, X, Y)
dw = grads['dw']
db = grads['db']
# 梯度下降算法来优化w和b
w = w - learning_rate * dw
b = b - learning_rate * db
if i % 100 == 0:
costs.append(cost)
if print_cost and (i % 100 == 0):
print("迭代次数：%i, 误差值：%f" % (i, cost))
params = {
'w': w,
'b': b
}
grads = {
'dw': dw,
'db': db
}
return params, grads, costs
4.4 预测
# 预测
# 使用优化好的w,b来预测训练集或测试集数据的正确性
# 根据调用，我们可以看到输入的X可以是train_set_x、test_set_x，即居中和标准化之后的训练/测试集输入
def predict(w, b, X):
m = X.shape[1] # 图片数量
Y_prediction = np.zeros((1, m))
w = w.reshape(X.shape[0], 1)
# 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]):
if A[0, i] > 0.5:
Y_prediction[0, i] = 1
else:
Y_prediction[0, i] = 0
assert(Y_prediction.shape == (1, m))
return Y_prediction
4.5 整合与调用
#整合
def model(X_train, Y_train, X_test, Y_test, num_iterations = 2000, learning_rate = 0.5, print_cost = False):
# 初始化
w, b = initialize_with_zeros(X_train.shape[0])
# 优化
parameters, grads, costs = optimize(w, b, X_train, Y_train, num_iterations, learning_rate, print_cost)
# 从字典中检索参数 w 和 b
w, b = parameters['w'], parameters['b']
# 预测测试/训练集
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
# 调用
d = model(train_set_x, train_set_y_orig, test_set_x, test_set_y_orig, num_iterations=2000, learning_rate=0.01, print_cost=True)
# print(d)
五、运行结果
迭代次数：0, 误差值：0.693147
迭代次数：100, 误差值：0.823921
迭代次数：200, 误差值：0.418944
迭代次数：300, 误差值：0.617350
迭代次数：400, 误差值：0.522116
迭代次数：500, 误差值：0.387709
迭代次数：600, 误差值：0.236254
迭代次数：700, 误差值：0.154222
迭代次数：800, 误差值：0.135328
迭代次数：900, 误差值：0.124971
迭代次数：1000, 误差值：0.116478
迭代次数：1100, 误差值：0.109193
迭代次数：1200, 误差值：0.102804
迭代次数：1300, 误差值：0.097130
迭代次数：1400, 误差值：0.092043
迭代次数：1500, 误差值：0.087453
迭代次数：1600, 误差值：0.083286
迭代次数：1700, 误差值：0.079487
迭代次数：1800, 误差值：0.076007
迭代次数：1900, 误差值：0.072809
训练集准确性： 99.52153110047847 %
测试集准确性： 70.0 %
5.1 分析结果
对于训练集近乎100%的准确性，学姐说是因为过拟合了，由于作者暂时水平有限，不做过多分析，现挖此坑，以后再填。
六、学习率-成本曲线图
#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()
根据做出的图像，能够更直观的看到学习率变化引起的成本的变化。
# 绘制多个学习率的图像做对比
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_orig, test_set_x, test_set_y_orig, num_iterations=2000, 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()
