深層網絡識別貓(吳恩達1課4周編程實例)
第四周編程
目標:建立一個深層的神經網絡識別貓
核心思想:
- 正向傳播
- 反向傳播
需要註意的事正反向傳播的初始值, , ,
數據集:與第一個編程作業的數據集一樣
代碼流程:
- 根據神經網絡結構初始化參數(W,b)
- 將單元函數寫出來(linear,sigmoid,relu,sigmoid_backward,relu_backward)
- 正反向傳播,輸出梯度
- 單步梯度下降更新參數
- 預測函數
- 建立整合函數
代碼,穿插詳解與思路
第16行:隨機初始化,將W1=(n1,n0)的矩陣存入字典parameters[‘W1‘]中
註意:隨機初始化時時* np.sqrt(2/layers_dims[l-1]),並不是吳恩達所說的*0.01
這是因為,這是一個多隱藏層的網絡,當*0.01時,反向傳播幾次之後會使得後面的深層網絡參數值變成0
詳細原因可看這四篇文章:
https://blog.csdn.net/shwan_ma/article/details/76257967
https://www.cnblogs.com/makefile/p/init-weight.html?utm_source=itdadao&utm_medium=referral
https://blog.csdn.net/marsggbo/article/details/77771497
https://blog.csdn.net/u013082989/article/details/53770851
(被吳恩達給坑了,一開始*0.01,cost一直不變。搞了好長時間)
21-38行:將單元函數列在這裏,是因為我想將這個model標準化,你可以在這裏添加你想添加的單元函數, 比如tanh函數,記得添加了一個tanh函數時,還要添加一個對應的tanh_backward函數。有正向傳播,就要有反向傳播
41-71行:propagate傳播函數。這裏代碼看起來復雜,實際上很容易理解。正向傳播就是一條路走到成本函數。第l層,正向傳播先計算出Z[l],再根據選擇的激活函數計算A[l]
反向傳播,先看一下核心思想中反向傳播。先根據激活函數,將dAl,和dZl傳入反向傳播計算的單元函數中。然後再一步一步計算出dW,db。假設L=5,那麽左後一層的A的激活函數是dA4,從dA[L-l]開始反向傳播計算
propagate函數傳出Y_p,是因為不想在預測函數中再寫一次正向傳播,所以添加了一個Y_p
122,123行:兩個超參數輸入。122行輸入的是layers_dims 即你想建立的神經網絡結構。
如:你想建立幾個隱藏層,每一層的隱藏層有幾個神經節點。通過一個列表組裝
123行輸入的是每一層的激活函數。由於我的單元函數只有relu和sigmoid函數,所以只有這兩個關鍵字可選進去
ps:通過列表組裝數據很不穩,一不小心就會傳錯參數。最好的方法是傳一個字典進去如
當然,中間調用layers_dims,activations的代碼也要發生點變化,人懶,不想改了
最後的分析步驟也就是,將識別錯誤的圖片打印出來而已
- import numpy as np
- import h5py
- import matplotlib.pyplot as plt
- import lr_utils
- import testCases_v2
- plt.rcParams[‘figure.figsize‘]=(5.0,4.0)
- plt.rcParams[‘image.interpolation‘]=‘nearest‘
- plt.rcParams[‘image.cmap‘]=‘gray‘
- #上面三句是設置圖形的默認格式
- np.random.seed(1)
- 產生可預測#隨機值
- def initialize_parameters(layers_dims):
- np.random.seed(3)
- parameters={}
- for l in range(1,len(layers_dims)):
- parameters[‘W‘+str(l)]=np.random.randn(layers_dims[l],layers_dims[l-1])*np.sqrt(2/layers_dims[l-1])
- parameters[‘b‘+str(l)]=np.zeros(shape=(layers_dims[l],1))
- return parameters
- # 單元函數
- def linear(A,W,b):
- Z=np.dot(W,A)+b
- return Z
- def sigmoid(Z):
- A=1/(1+np.exp(-Z))
- return A
- def relu(Z):
- A=np.maximum(0,Z)
- return A
- def sigmoid_backword(dA,Z):
- s=1/(1+np.exp(-Z))
- dZ=dA*s*(1-s)
- return dZ
- def relu_backword(dA,Z):
- dZ=dA.copy()
- dZ[Z<=0]=0
- return dZ
- #正反向傳播
- def propagate(X,Y,parameters,layers_dims,activations):
- m=X.shape[1]
- L=len(layers_dims)
- #正向傳播
- caches,grads={‘A0‘:X},{}
- for l in range(1,L):
- caches[‘Z‘+str(l)]=linear(caches[‘A‘+str(l-1)],parameters[‘W‘+str(l)],parameters[‘b‘+str(l)])
- if activations[l-1]==‘sigmoid‘:
- caches[‘A‘+str(l)]=sigmoid(caches[‘Z‘+str(l)])
- if activations[l-1]==‘relu‘:
- caches[‘A‘+str(l)]=relu(caches[‘Z‘+str(l)])
- Y_p=caches[‘A‘+str(L-1)]
- #成本函數
- cost=-np.sum(Y*np.log(Y_p)+(1-Y)*np.log(1-Y_p))/m
- cost=np.squeeze(cost)
- #反向傳播
- grads[‘dA‘+str(L-1)]=-(Y/Y_p)+(1-Y)/(1-Y_p)
- for l in range(1,L):
- if activations[-l]==‘sigmoid‘:
- grads[‘dZ‘+str(L-l)]=sigmoid_backword(grads[‘dA‘+str(L-l)],caches[‘Z‘+str(L-l)])
- if activations[-l]==‘relu‘:
- grads[‘dZ‘+str(L-l)]=relu_backword(grads[‘dA‘+str(L-l)],caches[‘Z‘+str(L-l)])
- grads[‘dW‘+str(L-l)]=np.dot(grads[‘dZ‘+str(L-l)],(caches[‘A‘+str(L-l-1)]).T)/m
- grads[‘db‘+str(L-l)]=np.sum(grads[‘dZ‘+str(L-l)],axis=1,keepdims=True)/m
- grads[‘dA‘+str(L-l-1)]=np.dot((parameters[‘W‘+str(L-l)]).T,grads[‘dZ‘+str(L-l)])
- return grads,Y_p,cost
- #更新參數
- def update_parameters(parameters,grads,learning_rate,layers_dims):
- L=len(layers_dims)
- for l in range(1,L):
- parameters[‘W‘+str(l)]=parameters[‘W‘+str(l)]-learning_rate*grads[‘dW‘+str(l)]
- parameters[‘b‘+str(l)]=parameters[‘b‘+str(l)]-learning_rate*grads[‘db‘+str(l)]
- return parameters
- #預測函數
- def predict(X,Y,parameters,layers_dims,activations):
- m=X.shape[1]
- grads,Y_p,cost=propagate(X,Y,parameters,layers_dims,activations)
- Y_p = np.round(Y_p)
- print(‘準確度:‘+str(float(np.sum((Y_p == Y))/m)))
- return Y_p
- #模型組合
- def model3(X,Y,num_iterations,learning_rate,layers_dims,activations,print_cost=False,isplot=True):
- np.random.seed(1)
- parameters=initialize_parameters(layers_dims)
- L=len(layers_dims)
- costs=[]
- for i in range(num_iterations):
- grads,Y_p,cost=propagate(X,Y,parameters,layers_dims,activations)
- parameters=update_parameters(parameters,grads,learning_rate,layers_dims)
- if i%100 == 0:
- costs.append(cost)
- if print_cost:
- print(‘after iteration of %d cost:%f‘%(i,cost))
- if isplot:
- plt.plot(np.squeeze(costs))
- plt.ylabel(‘cost‘)
- plt.title(‘Learning rate =‘+str(learning_rate))
- plt.show()
- return parameters
- train_set_x_orig , train_set_y , test_set_x_orig , test_set_y , classes = lr_utils.load_dataset()
- train_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T
- test_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T
- train_x = train_x_flatten / 255
- train_y = train_set_y
- test_x = test_x_flatten / 255
- test_y = test_set_y
- layers_dims = [12288,20,7,5,1]
- activations=[‘relu‘,‘relu‘,‘relu‘,‘sigmoid‘]
- parameters=model3(train_x,train_y,num_iterations=2500,learning_rate=0.0075,layers_dims=layers_dims,activations=activations,print_cost=True,isplot=False)
- Y_p=predict(test_x,test_y,parameters,layers_dims,activations)
- #分析
- def print_mislabeled_images(classes,X,y,p):
- a=p+y
- mislabeled_indices=np.asarray(np.where(a==1))
- plt.rcParams[‘figure.figsize‘] = (40.0, 40.0)
- num_images = len(mislabeled_indices[0])
- for i in range(num_images):
- index = mislabeled_indices[1][i]
- plt.subplot(2, num_images, i + 1)
- plt.imshow(X[:,index].reshape(64,64,3), interpolation=‘nearest‘)
- plt.axis(‘off‘)
- plt.title("Prediction: " + classes[int(p[0,index])].decode("utf-8") + " \n Class: " + classes[y[0,index]].decode("utf-8"))
- print_mislabeled_images(classes,test_x,test_y,Y_p)
深層網絡識別貓(吳恩達1課4周編程實例)