deeplearning.ai——构建一个LR分类器来识别猫

Logistic Regression with a Neural Network mindset

目录

1 - Packages

2 - Overview of the Problem set

3 - General Architecture of the learning algorithm

4 - Building the parts of our algorithm

4.1 - Helper functions

4.2 - Initializing parameters

4.3 - Forward and Backward propagation

5 - Merge all functions into a model

6 - Further analysis (optional/ungraded exercise)

7 - Test with your own image (optional/ungraded exercise)

---

这节作业会学到：

• 构建学习算法的通用架构，包括：初始化参数、计算损失函数及其梯度、使用优化算法（梯度下降）
• 按正确的顺序将上述所有三个函数组合在主模型函数中

 

1 - Packages

首先，运行下面的单元来导入在这个作业中需要的所有包：

• numpy是使用python进行科学计算的基础包。
• h5py是一个与存储在h5文件中的与数据集交互的通用包。
• Matplotlib是一个著名的用Python绘制图形的库。
• 这里使用pil和scipy并用你自己的图片测试你的模型。

import numpy as np
import matplotlib.pyplot as plt
import h5py
import scipy
from PIL import Image
from scipy import ndimage
from lr_utils import load_dataset

%matplotlib inline

 

2 - Overview of the Problem set

你的数据集(“data.h5”)包含：

• 训练集，m_train个图片，标记了猫(y=1)或非猫(y=0)。
• 测试集，m_test个图片的标记，标记为猫或非猫。
• 每张图片的shape都为(num_px, num_px, 3)，其中3表示3通道(RGB)。因此，每张图都是方形的，即长宽都为num_px。

构建一个简单的图像识别算法，可以正确地将图片分类为猫或非猫。

运行以下代码加载数据：

# Loading the data (cat/non-cat)
train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()

(209, 64, 64, 3)
(1, 209)
(50, 64, 64, 3)
(1, 50)
[b'non-cat' b'cat']

我们在图像数据集（训练和测试）的末尾添加了“_orig”，因为我们要对它们进行预处理。在预处理之后，我们将以train_set_x和test_set_x结束（标签train_set_y和test_set_y不需要任何预处理）。

来看一个图片的例子：

# Example of a picture
index = 99
plt.imshow(train_set_x_orig[index])
print ("y = " + str(train_set_y[:, index]) + ", it's a '" + classes[np.squeeze(train_set_y[:, index])].decode("utf-8") +  "' picture.")

y = [0], it's a 'non-cat' picture.

练习：得到下列值：

• m_train(训练样本的数量)
• m_test(测试样本的数量)
• num_px(训练图片的长宽)

train_set_x_orig是一个形状为(m_train, num_px, num_px, 3)的numpy数组，例如，你可以通过train_set_x_orig.shape[0]得到m_train的值。

### START CODE HERE ### (≈ 3 lines of code)
m_train = train_set_x_orig.shape[0]
m_test = test_set_x_orig.shape[0]
num_px = train_set_x_orig.shape[2]
### END CODE HERE ###

print ("Number of training examples: m_train = " + str(m_train))
print ("Number of testing examples: m_test = " + str(m_test))
print ("Height/Width of each image: num_px = " + str(num_px))
print ("Each image is of size: (" + str(num_px) + ", " + str(num_px) + ", 3)")
print ("train_set_x shape: " + str(train_set_x_orig.shape))
print ("train_set_y shape: " + str(train_set_y.shape))
print ("test_set_x shape: " + str(test_set_x_orig.shape))
print ("test_set_y shape: " + str(test_set_y.shape))

Number of training examples: m_train = 209
Number of testing examples: m_test = 50
Height/Width of each image: num_px = 64
Each image is of size: (64, 64, 3)
train_set_x shape: (209, 64, 64, 3)
train_set_y shape: (1, 209)
test_set_x shape: (50, 64, 64, 3)
test_set_y shape: (1, 50)

为了方便，可以reshape图片的形状(num_px, num_px, 3)变为(num_px*num_px*3, 1)，之后，训练集和测试集就是一个每个列向量都是一个扁平图像的numpy数组了，且有m_train(训练集是m_test)个列向量。

练习：对训练集和测试集数据进行reshape，使其形状(num_px, num_px, 3)扁平化为一个向量(num