具有神經網路思維的Logistic回歸課後作業

2021-10-25 00:20:41 字數 2552 閱讀 3868

import numpy as np

import matplotlib.pyplot as plt

import h5py

from lr_utils import load_dataset

一、匯入資料進入主程式
train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = load_dataset(

)

二、開啟datasets資料夾中的測試
plt.imshow(train_set_x_orig[25]

)plt.waitforbuttonpress(

)

只用plt.imshow()函式無法開啟測試,需要加上下面的plt.waitforbuttonpress()函式

三、列印測試集和訓練集中的資訊

m_train = train_set_y.shape[1]

#訓練集裡的數量。

m_test = test_set_y.shape[1]

#測試集裡的數量。

num_px = train_set_x_orig.shape[1]

#訓練、測試集裡面的的寬度和高度(均為64x64)

shape[0]:表示矩陣的行數

shape[1]:表示矩陣的列數

因為 train_set_y.shape 儲存的是訓練集的影象對應的分類值(【0 | 1】,0表示不是貓,1表示是貓)是由一維陣列儲存的,所以train_set_y.shape[1]可以用列數來計算的數量。同理test_set_y.shape[1]也用列數來計算測試集中的數量。

print

("訓練集的數量: m_train = "

+str

(m_train)

)print

("測試集的數量 : m_test = "

+str

(m_test)

)print

("每張的寬/高 : num_px = "

+str

(num_px)

)print

("每張的大小 : ("

+str

(num_px)

+", "

+str

(num_px)

+", 3)"

)print

("訓練集_的維數 : "

+str

(train_set_x_orig.shape)

)print

("訓練集_標籤的維數 : "

+str

(train_set_y.shape)

)print

("測試集_的維數: "

+str

(test_set_x_orig.shape)

)print

("測試集_標籤的維數: "

+str

(test_set_y.shape)

)

輸出結果:

#x_flatten = x.reshape(x.shape [0],-1).t #x.t是x的轉置

#將訓練集的維度降低並轉置。

train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0]

,-1)

.t#將測試集的維度降低並轉置。

test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0]

,-1)

.t

z(i

)=wt

x(i)

+bz^=w^x^+b

z(i)=w

tx(i

)+by^(

i)=a

(i)=

sigm

oid(

z(i)

)\hat^=a^=sigmoid(z^)

y^​(i)

=a(i

)=si

gmoi

d(z(

i))l(a

(i),

y(i)

)=−y

(i)l

og(a

(i))

−(1−

y(i)

)log

(1−a

(i))

l(a^,y^)=-y^log(a^)-(1-y^)log(1-a^)

l(a(i)

,y(i

))=−

y(i)

log(

a(i)

)−(1

−y(i

))lo

g(1−

a(i)

)

神經網路的認識(二)深層神經網路

損失函式 神經網路優化演算法 神經網路進一步優化 深層學習有兩個非常重要的特性 多層和非線性 線性模型的侷限性,就是任意線性模型的組合仍然還是線性模型。所以引出啟用函式,經過啟用函式變換完的輸出就不再是線性的了。如果將每乙個神經元 也就是神經網路中的節點 的輸出通過乙個非線性函式,那麼整個神經網路的...

卷積神經網路 有趣的卷積神經網路

一 前言 最近一直在研究深度學習,聯想起之前所學,感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律,e mc 描述了恆星發光的奧秘,v h d哈勃定律描述了宇宙膨脹的奧秘,自然界的大部分現象和規律都可以用數學函式來描述,也就是可以求得乙個函式。神經網路 簡單又...

神經網路的認識(一)神經網路的認識

特徵提取 我的理解就是將物體資料化,將乙個實體盡可能的描述成計算機可以懂得話,就比如定義乙個人,姓名 性別 愛好 出生地 出生日期 這樣可以給他打足夠多的標籤,就可以定義他是誰了,這個標籤就是特徵。使用神經網路有4個步驟 提取問題中實體的特徵向量作為神經網路的輸入,不同實體可以提取不同的特徵向量 定...