Coursera吴恩达Deep Learning.ai第一课第四周Deep Neural Network for Image Classification: Application

 

Deep Neural Network for Image Classification: Application

您将使用您在先前任务中实现的功能来构建深层网络，并将其应用于cat与非cat分类。希望您会看到相对于之前的逻辑回归实现的准确性有所提高。

完成此任务后，您将能够：构建并应用深度神经网络进行监督学习。

让我们首先导入在此分配期间您需要的所有包。

• numpy是使用Python进行科学计算的基础包。
• matplotlib是一个用Python绘制图形的库。
• h5py是与存储在H5文件中的数据集进行交互的通用包。
• 此处使用PIL和scipy来测试您的模型，最后使用您自己的图片。
• dnn_app_utils提供在“构建您的深度神经网络：逐步”中为此笔记本分配的功能。
• np.random.seed（1）用于保持所有随机函数调用一致。它将帮助我们评估您的工作。

import time
import numpy as np
import h5py
import matplotlib.pyplot as plt
import scipy
from PIL import Image
from scipy import ndimage
from dnn_app_utils import *

%matplotlib inline
plt.rcParams['figure.figsize'] = (5.0, 4.0) # set default size of plots
plt.rcParams['image.interpolation'] = 'nearest'
plt.rcParams['image.cmap'] = 'gray'

%load_ext autoreload
%autoreload 2

np.random.seed(1)

 

2 - 数据集

您将使用与“Logistic回归为神经网络”（作业2）相同的“Cat vs non-Cat”数据集。 您构建的模型在对猫和非猫图像进行分类时具有70％的测试准确度。 希望您的新模型表现更好！

问题陈述：您将获得一个数据集（“data.h5”），其中包含：

• 标记为猫（1）或非猫（0）的m_train图像训练集
• 标记为猫和非猫的m_test图像的测试集
• 每个图像的形状（num_px，num_px，3），其中3表示3个通道（RGB）。

让我们更熟悉数据集。 通过运行下面的单元格加载数据。

train_x_orig, train_y, test_x_orig, test_y, classes = load_data()

 

以下代码将显示数据集中的图像。 随意更改索引并重复运行单元格以查看其他图像。

# Example of a picture
index = 10
plt.imshow(train_x_orig[index])
print ("y = " + str(train_y[0,index]) + ". It's a " + classes[train_y[0,index]].decode("utf-8") +  " picture.")

# Explore your dataset 
m_train = train_x_orig.shape[0]
num_px = train_x_orig.shape[1]
m_test = test_x_orig.shape[0]

print ("Number of training examples: " + str(m_train))
print ("Number of testing examples: " + str(m_test))
print ("Each image is of size: (" + str(num_px) + ", " + str(num_px) + ", 3)")
print ("train_x_orig shape: " + str(train_x_orig.shape))
print ("train_y shape: " + str(train_y.shape))
print ("test_x_orig shape: " + str(test_x_orig.shape))
print ("test_y shape: " + str(test_y.shape))

像往常一样，您在将图像送入网络之前对图像进行整形和标准化。 代码在下面的单元格中给出。

# Reshape the training and test examples 
train_x_flatten = train_x_orig.reshape(train_x_orig.shape[0], -1).T   # The "-1" makes reshape flatten the remaining dimensions
test_x_flatten = test_x_orig.reshape(test_x_orig.shape[0], -1).T

# Standardize data to have feature values between 0 and 1.
train_x = train_x_flatten/255.
test_x = test_x_flatten/255.

print ("train_x's shape: " + str(train_x.shape))
print ("t