【吴恩达深度学习week4编程作业】

本文参考该播主实现，需要的文件在博主的文章里：https://blog.csdn.net/u013733326/article/details/79767169

这次我先记录我自己打代码时候的错误，最后把添加注释的代码放到最后；

1.初始化参数b1

在初始化b1的时候我发现我没有把b1初始化为参数为0的数组，并且维度设置的也不对，最后导致错误：

Traceback (most recent call last):File "E:/python/pycharm/week4/main.py", line 329, in <module>predictions_train = predict(train_x, train_y, parameters) #训练集File "E:/python/pycharm/week4/main.py", line 317, in predictprobas, caches = L_model_forward(X, parameters)File "E:/python/pycharm/week4/main.py", line 114, in L_model_forwardAL,cache = linear_activation_forward(A_prev,parameters['W' + str(L)],parameters['b' + str(L)],'sigmoid')File "E:/python/pycharm/week4/main.py", line 81, in linear_activation_forwardZ,linear_cache = liner_forward(A_prev,W,b)File "E:/python/pycharm/week4/main.py", line 67, in liner_forwardZ = np.dot(W,A) + b #记住这里使用向量化File "<__array_function__ internals>", line 6, in dot
ValueError: shapes (1,7) and (12288,209) not aligned: 7 (dim 1) != 12288 (dim 0)Process finished with exit code 1

代码对比：
正确代码：

W1 = np.random.randn(n_h, n_x) * 0.01b1 = np.zeros((n_h, 1))W2 = np.random.randn(n_y, n_h) * 0.01b2 = np.zeros((n_y, 1))

错误代码：

W1 = np.random.randn(n_h,n_x)*0.01b1 = np.random.randn(n_h,1)W2 = np.random.randn(n_y,n_h)*0.01b2 = np.random.randn(n_y,1)

2.整体代码

import numpy as np
import h5py
import matplotlib.pyplot as plt
import testCases #参见资料包，或者在文章底部copy
from dnn_utils import sigmoid, sigmoid_backward, relu, relu_backward #参见资料包
import lr_utils #参见资料包，或者在文章底部copynp.random.seed(1)def initialize_parameters(n_x, n_h, n_y):"""此函数是为了初始化两层网络参数而使用的函数。参数：n_x - 输入层节点数量n_h - 隐藏层节点数量n_y - 输出层节点数量返回：parameters - 包含你的参数的python字典：W1 - 权重矩阵,维度为（n_h，n_x）b1 - 偏向量，维度为（n_h，1）W2 - 权重矩阵，维度为（n_y，n_h）b2 - 偏向量，维度为（n_y，1）"""W1 = np.random.randn(n_h, n_x) * 0.01b1 = np.zeros((n_h, 1))W2 = np.random.randn(n_y, n_h) * 0.01b2 = np.zeros((n_y, 1))# 使用断言确保我的数据格式是正确的assert (W1.shape == (n_h, n_x))assert (b1.shape == (n_h, 1))assert (W2.shape == (n_y, n_h))assert (b2.shape == (n_y, 1))parameters = {"W1": W1,"b1": b1,"W2": W2,"b2": b2}return parametersdef initialize_parameters_deep(layers_dims):"""此函数是为了初始化多层网络参数而使用的函数。参数：layers_dims - 包含我们网络中每个图层的节点数量的列表返回：parameters - 包含参数“W1”，“b1”，...，“WL”，“bL”的字典：W1 - 权重矩阵，维度为（layers_dims [1]，layers_dims [1-1]）bl - 偏向量，维度为（layers_dims [1]，1）"""np.random.seed(3)parameters = {}L = len(layers_dims)for l in range(1, L):parameters['W' + str(l)] = np.random.randn(layers_dims[l], layers_dims[l - 1]) / np.sqrt(layers_dims[l - 1])  # 用这条语句出来的数据与博客中不符合# parameters['W' + str(l)] = np.random.randn(layers_dims[l], layers_dims[l - 1]) *0.01 #使用这条语句符合博客中的数据# parameters['b' + str(l)] = np.zeros(layers_dims[l], 1)#np.zeros(layers_dims[l],1)，当只有一个()的时候会报错，因为np.zeros(shape)需要给的参数就是一个shape而不是维度parameters['b' + str(l)] = np.zeros((layers_dims[l], 1))# 确保我要的数据的格式是正确的assert (parameters["W" + str(l)].shape == (layers_dims[l], layers_dims[l - 1]))assert (parameters["b" + str(l)].shape == (layers_dims[l], 1))return parameters"""
前向传播函数分为三个步骤：
1.Liner
2.Liner -> Activation , 其中激活函数会使用Relu或者Sigmoid
3.[Linear -> Relu] x (L-1) -> Linear -> Sigmoid（整个模型）
"""def linear_forward(A, W, b):"""实现前向传播的线性部分。参数：A - 来自上一层（或输入数据）的激活，维度为(上一层的节点数量，示例的数量）W - 权重矩阵，numpy数组，维度为（当前图层的节点数量，前一图层的节点数量）b - 偏向量，numpy向量，维度为（当前图层节点数量，1）返回：Z - 激活功能的输入，也称为预激活参数cache - 一个包含“A”，“W”和“b”的字典，存储这些变量以有效地计算后向传递"""Z = np.dot(W, A) + bassert (Z.shape == (W.shape[0], A.shape[1]))cache = (A, W, b)return Z, cachedef linear_activation_forward(A_prev, W, b, activation):"""实现LINEAR-> ACTIVATION 这一层的前向传播参数：A_prev - 来自上一层（或输入层）的激活，维度为(上一层的节点数量，示例数）W - 权重矩阵，numpy数组，维度为（当前层的节点数量，前一层的大小）b - 偏向量，numpy阵列，维度为（当前层的节点数量，1）activation - 选择在此层中使用的激活函数名，字符串类型，【"sigmoid" | "relu"】返回：A - 激活函数的输出，也称为激活后的值cache - 一个包含“linear_cache”和“activation_cache”的字典，我们需要存储它以有效地计算后向传递"""if activation == "sigmoid":Z, linear_cache = linear_forward(A_prev, W, b)A, activation_cache = sigmoid(Z)elif activation == "relu":Z, linear_cache = linear_forward(A_prev, W, b)A, activation_cache = relu(Z)assert (A.shape == (W.shape[0], A_prev.shape[1]))cache = (linear_cache, activation_cache)return A, cachedef L_model_forward(X, parameters):"""实现[LINEAR-> RELU] *（L-1） - > LINEAR-> SIGMOID计算前向传播，也就是多层网络的前向传播，为后面每一层都执行LINEAR和ACTIVATION参数：X - 数据，numpy数组，维度为（输入节点数量，示例数）parameters - initialize_parameters_deep（）的输出返回：AL - 最后的激活值caches - 包含以下内容的缓存列表：linear_relu_forward（）的每个cache（有L-1个，索引为从0到L-2）linear_sigmoid_forward（）的cache（只有一个，索引为L-1）"""caches = []A = XL = len(parameters) // 2#// 是整除向下取整，因为paremeters里面有W和b，所以整除2 就是隐藏层的个数，我们就需要使用L-1的relu激活函数for l in range(1, L):#半包围结构取不到L，取到L-1A_prev = AA, cache = linear_activation_forward(A_prev, parameters['W' + str(l)], parameters['b' + str(l)], "relu")caches.append(cache)AL, cache = linear_activation_forward(A, parameters['W' + str(L)], parameters['b' + str(L)], "sigmoid")caches.append(cache)"""为什么是(1,X.shape[1]),AL是一个二分类的输出结果，所以是维度为1 x m 的向量，m就是X.shape[1],就是输入的样本数量"""assert (AL.shape == (1, X.shape[1]))  # AL :sigmoid激活函数的输出，也称为激活后的值，也是Yhat，return AL, cachesdef compute_cost(AL, Y):"""实施等式（4）定义的成本函数。参数：AL - 与标签预测相对应的概率向量，维度为（1，示例数量）Y - 标签向量（例如：如果不是猫，则为0，如果是猫则为1），维度为（1，数量）返回：cost - 交叉熵成本"""m = Y.shape[1]cost = -np.sum(np.multiply(np.log(AL), Y) + np.multiply(np.log(1 - AL), 1 - Y)) / mcost = np.squeeze(cost)assert (cost.shape == ())return costdef linear_backward(dZ, cache):"""为单层实现反向传播的线性部分（第L层）参数：dZ - 相对于（当前第l层的）线性输出的成本梯度cache - 来自当前层前向传播的值的元组（A_prev，W，b）返回：dA_prev - 相对于激活（前一层l-1）的成本梯度，与A_prev维度相同dW - 相对于W（当前层l）的成本梯度，与W的维度相同db - 相对于b（当前层l）的成本梯度，与b维度相同"""A_prev, W, b = cachem = A_prev.shape[1]dW = np.dot(dZ, A_prev.T) / mdb = np.sum(dZ, axis=1, keepdims=True) / mdA_prev = np.dot(W.T, dZ)assert (dA_prev.shape == A_prev.shape)assert (dW.shape == W.shape)assert (db.shape == b.shape)return dA_prev, dW, dbdef linear_activation_backward(dA, cache, activation="relu"):"""实现LINEAR-> ACTIVATION层的后向传播。参数：dA - 当前层l的激活后的梯度值cache - 我们存储的用于有效计算反向传播的值的元组（值为linear_cache，activation_cache）activation - 要在此层中使用的激活函数名，字符串类型，【"sigmoid" | "relu"】返回：dA_prev - 相对于激活（前一层l-1）的成本梯度值，与A_prev维度相同dW - 相对于W（当前层l）的成本梯度值，与W的维度相同db - 相对于b（当前层l）的成本梯度值，与b的维度相同"""linear_cache, activation_cache = cacheif activation == "relu":dZ = relu_backward(dA, activation_cache)dA_prev, dW, db = linear_backward(dZ, linear_cache)elif activation == "sigmoid":dZ = sigmoid_backward(dA, activation_cache)dA_prev, dW, db = linear_backward(dZ, linear_cache)return dA_prev, dW, dbdef L_model_backward(AL, Y, caches):"""对[LINEAR-> RELU] *（L-1） - > LINEAR - > SIGMOID组执行反向传播，就是多层网络的向后传播参数：AL - 概率向量，正向传播的输出（L_model_forward（））Y - 标签向量（例如：如果不是猫，则为0，如果是猫则为1），维度为（1，数量）caches - 包含以下内容的cache列表：linear_activation_forward（"relu"）的cache，不包含输出层linear_activation_forward（"sigmoid"）的cache返回：grads - 具有梯度值的字典grads [“dA”+ str（l）] = ...grads [“dW”+ str（l）] = ...grads [“db”+ str（l）] = ..."""grads = {}L = len(caches)m = AL.shape[1]Y = Y.reshape(AL.shape)dAL = - (np.divide(Y, AL) - np.divide(1 - Y, 1 - AL))current_cache = caches[L - 1]grads["dA" + str(L)], grads["dW" + str(L)], grads["db" + str(L)] = linear_activation_backward(dAL, current_cache, "sigmoid")for l in reversed(range(L - 1)):current_cache = caches[l]dA_prev_temp, dW_temp, db_temp = linear_activation_backward(grads["dA" + str(l + 2)], current_cache, "relu")grads["dA" + str(l + 1)] = dA_prev_tempgrads["dW" + str(l + 1)] = dW_tempgrads["db" + str(l + 1)] = db_tempreturn gradsdef update_parameters(parameters, grads, learning_rate):"""使用梯度下降更新参数参数：parameters - 包含你的参数的字典grads - 包含梯度值的字典，是L_model_backward的输出返回：parameters - 包含更新参数的字典参数[“W”+ str（l）] = ...参数[“b”+ str（l）] = ..."""L = len(parameters) // 2  # 整除"""一下是博主的代码，我们可以直接写成range(1,L),然后下面就不用写（l + 1）了，因为我们直接从1开始，而不是从0开始，range（start，stop）中start不写，默认就是0for l in range(L):parameters["W" + str(l + 1)] = parameters["W" + str(l + 1)] - learning_rate * grads["dW" + str(l + 1)]parameters["b" + str(l + 1)] = parameters["b" + str(l + 1)] - learning_rate * grads["db" + str(l + 1)]注：运行代码后发现，W1，b1，是相同的，但是W2，b2是有区别的，W1 = [[-0.59562069 -0.09991781 -2.14584584  1.82662008][-1.76569676 -0.80627147  0.51115557 -1.18258802][-1.0535704  -0.86128581  0.68284052  2.20374577]]b1 = [[-0.04659241][-1.28888275][ 0.53405496]]W2 = [[-0.5961597  -0.0191305   1.17500122]]b2 = [[-0.74787095]]Process finished with exit code 0但是用博主的代码就和博主运行结果一致再注：我把range（1，L）改为（1，L+1）结果运行就一致了，少运行一次更新参数，导致更新效果不好，甚至W还变大了"""for l in range(L):parameters["W" + str(l + 1)] = parameters["W" + str(l + 1)] - learning_rate * grads["dW" + str(l + 1)]parameters["b" + str(l + 1)] = parameters["b" + str(l + 1)] - learning_rate * grads["db" + str(l + 1)]return parameters#
# def two_layer_model(X, Y, layers_dims, learning_rate=0.0075, num_iterations=3000, print_cost=False, isPlot=True):
#     """
#     实现一个两层的神经网络，【LINEAR->RELU】 -> 【LINEAR->SIGMOID】
#     参数：
#         X - 输入的数据，维度为(n_x，例子数)
#         Y - 标签，向量，0为非猫，1为猫，维度为(1,数量)
#         layers_dims - 层数的向量，维度为(n_y,n_h,n_y)
#         learning_rate - 学习率
#         num_iterations - 迭代的次数
#         print_cost - 是否打印成本值，每100次打印一次
#         isPlot - 是否绘制出误差值的图谱
#     返回:
#         parameters - 一个包含W1，b1，W2，b2的字典变量
#     """
#     np.random.seed(1)
#     grads = {}
#     costs = []
#     (n_x, n_h, n_y) = layers_dims
#
#     """
#     初始化参数
#     """
#     parameters = initialize_parameters(n_x, n_h, n_y)
#
#     W1 = parameters["W1"]
#     b1 = parameters["b1"]
#     W2 = parameters["W2"]
#     b2 = parameters["b2"]
#
#     """
#     开始进行迭代
#     """
#     for i in range(0, num_iterations):
#         # 前向传播
#         A1, cache1 = linear_activation_forward(X, W1, b1, "relu")
#         A2, cache2 = linear_activation_forward(A1, W2, b2, "sigmoid")
#
#         # 计算成本
#         cost = compute_cost(A2, Y)
#
#         # 后向传播
#         ##初始化后向传播
#         dA2 = - (np.divide(Y, A2) - np.divide(1 - Y, 1 - A2))
#
#         ##向后传播，输入：“dA2，cache2，cache1”。 输出：“dA1，dW2，db2;还有dA0（未使用），dW1，db1”。
#         dA1, dW2, db2 = linear_activation_backward(dA2, cache2, "sigmoid")
#         dA0, dW1, db1 = linear_activation_backward(dA1, cache1, "relu")
#
#         ##向后传播完成后的数据保存到grads
#         grads["dW1"] = dW1
#         grads["db1"] = db1
#         grads["dW2"] = dW2
#         grads["db2"] = db2
#
#         # 更新参数
#         parameters = update_parameters(parameters, grads, learning_rate)
#         W1 = parameters["W1"]
#         b1 = parameters["b1"]
#         W2 = parameters["W2"]
#         b2 = parameters["b2"]
#
#         # 打印成本值，如果print_cost=False则忽略
#         if i % 100 == 0:
#             # 记录成本
#             costs.append(cost)
#             # 是否打印成本值
#             if print_cost:
#                 print("第", i, "次迭代，成本值为：", np.squeeze(cost))
#     # 迭代完成，根据条件绘制图
#     if isPlot:
#         plt.plot(np.squeeze(costs))
#         plt.ylabel('cost')
#         plt.xlabel('iterations (per tens)')
#         plt.title("Learning rate =" + str(learning_rate))
#         plt.show()
#
#     # 返回parameters
#     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
#
#
# n_x = 12288
# n_h = 7
# n_y = 1
# layers_dims = (n_x,n_h,n_y)
#
# parameters = two_layer_model(train_x, train_set_y, layers_dims = (n_x, n_h, n_y), num_iterations = 2500, print_cost=True,isPlot=True)def predict(X, y, parameters):"""该函数用于预测L层神经网络的结果，当然也包含两层参数：X - 测试集y - 标签parameters - 训练模型的参数返回：p - 给定数据集X的预测"""m = X.shape[1]n = len(parameters) // 2  # 神经网络的层数p = np.zeros((1, m))# 根据参数前向传播probas, caches = L_model_forward(X, parameters)for i in range(0, probas.shape[1]):if probas[0, i] > 0.5:p[0, i] = 1else:p[0, i] = 0print("准确度为: " + str(float(np.sum((p == y)) / m)))return p# predictions_train = predict(train_x, train_y, parameters) #训练集
# predictions_test = predict(test_x, test_y, parameters) #测试集def L_layer_model(X, Y, layers_dims, learning_rate=0.0075, num_iterations=3000, print_cost=False, isPlot=True):"""实现一个L层神经网络：[LINEAR-> RELU] *（L-1） - > LINEAR-> SIGMOID。参数：X - 输入的数据，维度为(n_x，例子数)Y - 标签，向量，0为非猫，1为猫，维度为(1,数量)layers_dims - 层数的向量，维度为(n_y,n_h,···,n_h,n_y)learning_rate - 学习率num_iterations - 迭代的次数print_cost - 是否打印成本值，每100次打印一次isPlot - 是否绘制出误差值的图谱返回：parameters - 模型学习的参数。 然后他们可以用来预测。"""np.random.seed(1)costs = []parameters = initialize_parameters_deep(layers_dims)for i in range(0, num_iterations):AL, caches = L_model_forward(X, parameters)cost = compute_cost(AL, Y)grads = L_model_backward(AL, Y, caches)parameters = update_parameters(parameters, grads, learning_rate)# 打印成本值，如果print_cost=False则忽略if i % 100 == 0:# 记录成本costs.append(cost)# 是否打印成本值if print_cost:print("第", i, "次迭代，成本值为：", np.squeeze(cost))# 迭代完成，根据条件绘制图if isPlot:plt.plot(np.squeeze(costs))plt.ylabel('cost')plt.xlabel('iterations (per tens)')plt.title("Learning rate =" + str(learning_rate))plt.show()return parameterstrain_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).Ttrain_x = train_x_flatten / 255
train_y = train_set_y
test_x = test_x_flatten / 255
test_y = test_set_ylayers_dims = [12288, 20, 7, 5, 1] #  5-layer model
parameters = L_layer_model(train_x, train_y, layers_dims, num_iterations = 2500, print_cost = True,isPlot=True)pred_train = predict(train_x, train_y, parameters) #训练集
pred_test = predict(test_x, test_y, parameters) #测试集def print_mislabeled_images(classes, X, y, p):"""绘制预测和实际不同的图像。X - 数据集y - 实际的标签p - 预测"""a = p + y#np.asarray() : 将输入转化为数组#np.where有两种用法
# 1.np.where(condition,x,y) 当where内有三个参数时，第一个参数表示条件，当条件成立时where方法返回x，当条件不成立时where返回y
# 2.np.where(condition) 当where内只有一个参数时，那个参数表示条件，当条件成立时，where返回的是每个符合condition条件元素的坐标,返回的是以元组的形式mislabeled_indices = np.asarray(np.where(a == 1))plt.rcParams['figure.figsize'] = (40.0, 40.0)  # set default size of plots设置绘图的默认尺寸，default：默认的；违约（figure.figsize ： 图像显示大小）num_images = len(mislabeled_indices[0])for i in range(num_images):index = mislabeled_indices[1][i]
# plt.subplot(2,3,1)也可以简写plt.subplot(231)表示把显示界面分割成2*3的网格。其中，第一个参数是行数，第二个参数是列数，第三个参数表示图形的标号plt.subplot(2, num_images, i + 1)plt.imshow(X[:, index].reshape(64, 64, 3), interpolation='nearest')plt.axis('off')#plt.axis(‘off’) 关闭坐标轴 ；plt.axis(‘square’) 作图为正方形，并且x,y轴范围相同 ； plt.axis(‘equal’) x,y轴刻度等长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, pred_test)

后续有问题还会补充！！！

【吴恩达深度学习week4编程作业】相关推荐

吴恩达深度学习课后编程作业IndexError: only integers, slices (`:`), ellipsis (`...`), numpy.newaxis (`None`) and i
吴恩达深度学习课后编程作业出现的错误 IndexError: only integers, slices (" : "), ellipsis ("-"), nu ...
《吴恩达深度学习》编程作业-第二周
目录 1.题目:基于神经网络思维模式的逻辑回归 2.声明 3.知识回顾 4.Python编程分析 4.1.导入需要用的库 4.2.数据处理 4.2.1.读取数据(包括训练集和测试集) 4.2.2.取出 ...
吴恩达深度学习课后编程题讲解（python）
小博极其喜欢这位人工智能领域大牛,非常膜拜,早在他出机器学习的课程的时候,就对机器学习产生了浓厚的兴趣,最近他又推出深度学习的课程,实在是又大火了一把,小博怎能不关注呢,我也跟随着吴恩达老师慢慢敲开深 ...
【吴恩达机器学习】Week4 编程作业ex3——多分类任务和神经网络
Multi-class Classification 1. 数据预处理和可视化 dispalyData.m function [h, display_array] = displayData(X, e ...
免费分享全套吴恩达深度学习课程笔记以及编程作业集合
分享吴恩达深度学习全套笔记笔记来源于吴恩达老师课程中口述翻译,并包含板书.可以取代看视频,做到更快速学习. (部分目录) (部分目录) (板书) 编程作业扫描二维码后台回复"0&quo ...
【深度学习】吴恩达深度学习-Course1神经网络与深度学习-第四周深度神经网络的关键概念编程（下）——深度神经网络用于图像分类：应用
在阅读这篇文章之前,请您先阅读:[深度学习]吴恩达深度学习-Course1神经网络与深度学习-第四周深度神经网络的关键概念编程(上)--一步步建立深度神经网络,这篇文章是本篇文章的前篇,没有前篇的基础 ...
神经网络隐藏层个数怎么确定_含有一个隐藏层的神经网络对平面数据分类python实现（吴恩达深度学习课程1第3周作业）...
含有一个隐藏层的神经网络对平面数据分类python实现(吴恩达深度学习课程1第3周作业): ''' 题目: 建立只有一个隐藏层的神经网络, 对于给定的一个类似于花朵的图案数据, 里面有红色(y=0)和 ...
吴恩达深度学习作业（week2）-(1)
出发作业地址https://github.com/robbertliu/deeplearning.ai-andrewNG 视频,bilibili吴恩达深度学习. 推荐食用方式 def basic_s ...
吴恩达深度学习编程作业报错解决方法汇总
概述及资源分享大二结束后的暑假,学习吴恩达深度学习([双语字幕]吴恩达深度学习deeplearning.ai_哔哩哔哩_bilibili)的课程,在做编程作业的时候总是遇到一些报错,尤其是导入所需要 ...

【吴恩达深度学习week4编程作业】

1.初始化参数b1

2.整体代码

【吴恩达深度学习week4编程作业】相关推荐

最新文章

热门文章