神经网络与深度学习编程练习(coursera 吴恩达 )（3）

完整实现多层神经网络识别图片中的猫
原coursera课程主页，在网易云课堂中也有课程资源不过没有编程练习。
本次编程利用上次作业中完成的各个函数，完整实现一个多层神经网络，进过训练来识别图片中是否有猫。
代码及训练测试数据下载
代码中没注释，不过coursera里的解释很详细。

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_v2 import *plt.rcParams['figure.figsize'] = (5.0, 4.0) # set default size of plots
plt.rcParams['image.interpolation'] = 'nearest'
plt.rcParams['image.cmap'] = 'gray'np.random.seed(1)train_x_orig,train_y,test_x_orig,test_y,classes=load_dataset()
'''
index=11
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.')plt.show()
'''
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))train_x_flatten=train_x_orig.reshape(train_x_orig.shape[0],-1).T
test_x_flatten=test_x_orig.reshape(test_x_orig.shape[0],-1).T
train_x=train_x_flatten/255
test_x=test_x_flatten/255print('train_x.shape:'+str(train_x.shape))
print('test_x.shape:'+str(test_x.shape))n_x=train_x.shape[0]
n_h=7
n_y=1
layers_dims=(n_x,n_h,n_y)def two_layer_model(X,Y,layers_dims,learning_rate=0.0075,num_iterations=3000,print_cost=False):np.random.seed(1)grads={}costs=[]m=X.shape[1](n_x,n_h,n_y)=layers_dimsparameters=initialize_parameters(n_x,n_h,n_y)W1=parameters['W1']b1=parameters['b1']W2=parameters['W2']b2=parameters['b2']for i in range(0,num_iterations):A1,cache1=linear_activation_forward(X,W1,b1,'relu')A2,cache2=linear_activation_forward(A1,W2,b2,'sigmoid')cost=compute_cost(A2,Y)dA2=-(np.divide(Y,A2)-np.divide(1-Y,1-A2))dA1,dW2,db2=linear_activation_backward(dA2,cache2,'sigmoid')dA0,dW1,db1=linear_activation_backward(dA1,cache1,'relu')grads['dW1']=dW1grads['db1']=db1grads['dW2']=dW2grads['db2']=db2parameters=update_parameters(parameters,grads,learning_rate)W1=parameters["W1"]b1=parameters['b1']W2=parameters['W2']b2=parameters['b2']if print_cost and i%100==0:print("Cost after iteration {}:{}".format(i,np.squeeze(cost)))if print_cost and i%100==0:costs.append(cost)plt.plot(np.squeeze(costs))plt.ylabel('cost')plt.xlabel('iterations(per tens)')plt.title('Learning rate = '+str(learning_rate))plt.show()return parameterslayers_dims=[12288,20,7,5,1]def L_layer_model(X,Y,layers_dims,learning_rate=0.0075,num_iterations=3000,print_cost=False):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)if print_cost and i%100==0:print("Cost after iteration %i:%f"%(i,cost))if print_cost and i%100==0:costs.append(cost)plt.plot(np.squeeze(costs))plt.ylabel('cost')plt.xlabel('iterations (per tens)')plt.title('Learning rate = '+str(learning_rate))plt.show()return parametersparameters = L_layer_model(train_x, train_y, layers_dims, num_iterations = 2500, print_cost = True)
pred_train=predict(train_x,train_y,parameters)
pred_test=predict(test_x,test_y,parameters)print_mislabeled_images(classes, test_x, test_y, pred_test)my_image = "my_image.jpg" # change this to the name of your image file
my_label_y = [1] # the true class of your image (1 -> cat, 0 -> non-cat)
## END CODE HERE ##fname = "images/" + my_image
image = np.array(ndimage.imread(fname, flatten=False))
my_image = scipy.misc.imresize(image, size=(num_px,num_px)).reshape((num_px*num_px*3,1))
my_predicted_image = predict(my_image, my_label_y, parameters)plt.imshow(image)
print ("y = " + str(np.squeeze(my_predicted_image)) + ", your L-layer model predicts a \"" + classes[int(np.squeeze(my_predicted_image)),].decode("utf-8") +  "\" picture.")
plt.show()

dnn_app_utils_v2及测试训练数据在下载链接里。
运行结果：
随着训练次数增加，cost损失函数下降

测试集中识别错误的图片：

可以测试自己拍的图片：

测试结果：

神经网络与深度学习编程练习(coursera 吴恩达 )（3）相关推荐

深度学习（二）吴恩达给你的人工智能第一课： 02.改善深层神经网络：超参数调试、正则化以及优化
目录第一周深度学习的实用层面 1.1 训练 / 开发 / 测试集 1.1.1. 训练集.验证集.测试集 1.2 偏差 / 方差 1.3 机器学习基础 1.3.1.降低偏差/降低 ...
这份深度学习课程笔记获吴恩达点赞
来源:机器之心本文共7470字,建议阅读8分钟. 通过本文用优美的信息图为大家解读深度学习课程的知识与亮点~ 吴恩达在推特上展示了一份由 TessFerrandez 完成的深度学习专项课程信息图,这 ...
深度学习系列作业1----by 吴恩达
import numpy as np import matplotlib.pyplot as plt import h5py # 是与数据集(存储在H5文件中的数据集)交互的常用软件包 import ...
Coursera吴恩达《深度学习》课程总结（全）
这里有Coursera吴恩达<深度学习>课程的完整学习笔记,一共5门课:<神经网络和深度学习>.<改善深层神经网络>.<结构化机器学习项目>.<卷 ...
5-1 Coursera吴恩达《序列模型》第一周课程笔记-循环序列网络(RNN)
记录吴恩达Andrew Ng深度学习专项课程笔记,方便之后回顾,共5门课.第一门课<神经网络与深度学习>(Neural Networks and Deep Learning)的4周课程笔记 ...
Coursera吴恩达《优化深度神经网络》课程笔记（1）-- 深度学习的实用层面
红色石头的个人网站:redstonewill.com Andrew Ng的深度学习专项课程的第一门课<Neural Networks and Deep Learning>的5份笔记我已经整 ...
2-3 Coursera吴恩达《改善深度神经网络》第三周课程笔记-超参数调试、Batch正则化和编程框架
上节课2-2 Coursera吴恩达<改善深度神经网络>第二周课程笔记-优化算法我们主要介绍了深度神经网络的优化算法.包括对原始数据集进行分割,使用mini-batch 梯度下降(mini ...
Coursera吴恩达《优化深度神经网络》课程笔记（3）-- 超参数调试、Batch正则化和编程框架
红色石头的个人网站:redstonewill.com 上节课我们主要介绍了深度神经网络的优化算法.包括对原始数据集进行分割,使用mini-batch gradient descent.然后介绍了指数加 ...
Coursera吴恩达《卷积神经网络》课程笔记（2）-- 深度卷积模型：案例研究
红色石头的个人网站:redstonewill.com <Convolutional Neural Networks>是Andrw Ng深度学习专项课程中的第四门课.这门课主要介绍卷积神经网 ...

神经网络与深度学习编程练习(coursera 吴恩达 )（3）

神经网络与深度学习编程练习(coursera 吴恩达 )（3）相关推荐

最新文章

热门文章