【AiLearning】test1: 具有神经网络思维的Logistic回归

在吴恩达老师DL系列课程的学习过程中，跟随做的一些小练习，在看懂别人代码基础上，整理的一些小笔记。

源代码参考：https://blog.youkuaiyun.com/u013733326/article/details/79639509

其中，有一行代码当时不明白为什么Y*np.log(A)要用点乘*而不用矩阵乘法numpy.dot()

cost = (- 1 / m) * np.sum(Y * np.log(A) + (1 - Y) * (np.log(1 - A)))

在分析Y和A的维度之后，得出的确应该用点乘 *的结论

因为Y的维度为（1,209），而A的维度也为（1,209），无法用矩阵乘法相乘，会报错。

import numpy as np
a = np.arange(1,5).reshape(1,4)
print(a)
print(a.shape)
b = np.arange(5,9).reshape(4,1)
print(b)

c = np.dot(a,b)  #矩阵乘法，维度（1,4）*（4,1），返回结果维度（1,1）
print(c)
d = a*b          #点乘，维度（1,4）*（4,1），返回结果维度（4,4）
print(d)

e = np.arange(1,5)
print(e)
f = np.arange(5,9)
print(f)

g = np.dot(e,f)   #矩阵乘法，维度（1,）*（1,），返回结果维度（ ）
print(g)
h = e*f           #点乘，维度（1,）*（1,），返回结果维度（1,）
print(h)

i = np.arange(1,5).reshape(1,4)
print(i)
j = np.arange(5,9).reshape(1,4)
print(j)
                  #矩阵乘法，维度（1,4）*（1,4），返回结果报错
k = i*j           #点乘，维度（1,4）*（1,4），返回结果维度（1,4）
print(k)

[[1 2 3 4]]  #a
(1, 4)       #a.shape
[[5]
 [6]
 [7]
 [8]]        #b
[[70]]       #c：矩阵乘法，维度（1,4）*（4,1），返回结果维度（1,1）
[[ 5 10 15 20]
 [ 6 12 18 24]
 [ 7 14 21 28]
 [ 8 16 24 32]]   #d：点乘，维度（1,4）*（4,1），返回结果维度（4,4）
[1 2 3 4]    #e
[5 6 7 8]    #f
70           #g：矩阵乘法，维度（1,）*（1,），返回结果维度（ ）
[ 5 12 21 32]#h：点乘，维度（1,）*（1,），返回结果维度（1，）
[[1 2 3 4]]  #i
[[5 6 7 8]]  #j
[[ 5 12 21 32]]#k:点乘，维度（1,4）*（1,4），返回结果维度（1,4）
               #error:矩阵乘法，维度（1,4）*（1,4），返回结果报错

整体思路梳理

具有神经网络思维的Logistic回归

搭建一个能够**【识别猫】** 的简单的神经网络

• numpy ：是用Python进行科学计算的基本软件包。
• h5py：是与H5文件中存储的数据集进行交互的常用软件包。
• matplotlib：是一个著名的库，用于在Python中绘制图表。
• lr_utils ：在本文的资料包里，一个加载资料包里面的数据的简单功能的库。

 

步骤一：从.H5中加载图像，train_set_x_orig , train_set_y , test_set_x_orig , test_set_y

x代表图像，y代表标签；x是一个维度为(m_、、

train，num_px，num_px，3）的数组；y是一个（1，m_train）的数组。

 

步骤二：将图像矩阵train_set_x_orig进行flatten降维，变为（m_train，num_px*num_px*3）·T的二维矩阵。降维后将图像矩阵标准化，除以255。

 

步骤三：建立神经网络

构建Sigmoid（）激活函数

构建initialize_with_zeros（）进行初始化

构建propagate（）前向传播计算costs，后向传播计算逻辑参数dw（相对于w的损失梯度），db（相对于b的损失梯度）

构建optimize（）渐变下降更新参数，返回：

        params  - 包含权重w和偏差b的字典

        grads  - 包含权重和偏差相对于成本函数的梯度的字典

        成本 - 优化期间计算的所有成本列表，将用于绘制学习曲线。

构建predict（）使用学习逻辑回归参数logistic（w，b）预测标签是0还是1

 

主要是学习逻辑参数w，b