用深层神经网络识别猫咪图片:吴恩达Course1-神经网络与深度学习-week3week4作业

本文主要是介绍用深层神经网络识别猫咪图片:吴恩达Course1-神经网络与深度学习-week3week4作业,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

代码有参考吴恩达老师的源代码,神经网络的图片为转载,图片来源见水印

以下文件的【下载地址】,提取码:dv8a

所有文件存放位置
C:.
│  dnn_utils.py
│  building deep neural network:step by step.py
│  lr_utils.py
│  testCases.py
│
├─datasetstest_catvnoncat.h5test_image1.pngtest_image2.pngtrain_catvnoncat.h5

一些要点

神经网络的层数:指隐藏层+输出层的层数
二层神经网络:有一个输入层、一个隐藏层、一个输出层的神经网络
L层神经网络:有一个输入层、L-1个隐藏层、第L层为输出层的神经网络

——假如对于每个隐藏层,我们都使用[线性传播+同一非线性函数激活]的方式,则构建L层神经网络,无非是将二层神经网络对隐藏层的运算,重复L-1次

深层网络的参数初始化方式不同于二层网络,网络层次越高,越容易产生梯度消失/梯度爆炸现象,这里对深层网络使用Xaiver初始化(在网上看到很多同学的cost卡在0.64降不下去就是这个坑)


来自大佬的形象表达


深层网络的实现步骤

参数初始化-> [实现前向线性传播 -> 实现前向线性激活 -> 实现完整的前向传播] -> 计算成本 -> [实现反向线性传播 -> 实现反向线性激活 -> 实现完整的反向传播] -> 参数更新

这里会对比二层网络和深层网络的测试集准度,使用深层网络对本地图片进行识别


导入库

import numpy as np
from matplotlib import pyplot as plt
import testCases
from dnn_utils import sigmoid, sigmoid_backward, relu, relu_backward
import lr_utils
# 测试本地图片时使用
import imageio
import cv2

设置随机种子并初始化

np.random.seed(1)
# 初始化[二层神经网络]的参数
def initialize_parameters(n_x, n_h, n_y):""":param n_x: x的特征数量:param n_h: 隐藏层节点数量:param n_y: 输出层的特征数量"""W1 = np.random.randn(n_h, n_x)*0.01b1 = np.zeros(shape=(n_h, 1))W2 = np.random.randn(n_y, n_h)*0.01b2 = np.zeros(shape=(n_y, 1))parameters = {'W1': W1, 'b1': b1, 'W2': W2, 'b2': b2}return parameters
# 初始化[深层神经网络]的参数
def initialize_parameters_deep(layer_dims):""":param layer_dims: 列表,从输入层至输出层,每层的节点数量"""parameters = {}L = len(layer_dims) - 1                         # 输出层的下标for l in range(1, L+1):# 使用Xaiver初始化,防止梯度消失或爆炸parameters['W'+str(l)] = np.random.randn(layer_dims[l], layer_dims[l-1])/np.sqrt(layer_dims[l - 1])parameters['b'+str(l)] = np.zeros(shape=(layer_dims[l], 1))return parameters

前向传播

# 前向传播中的线性传播
def linear_forward(A_prev, W, b):""":param A_prev: 上一层传递到本层的A:param W: 本层的权重矩阵:param b: 本层的偏置项:return: 本层计算的Z"""Z = np.dot(W, A_prev) + bcache = (A_prev, W, b)assert(Z.shape==(W.shape[0], A_prev.shape[1]))return Z, cache
# 前向传播中的线性激活
def linear_and_activation_forward(A_prev, W, b, activation='relu'):""":param activation: 字符串,激活函数名称"""Z, linear_cache = linear_forward(A_prev, W, b)# 按激活函数执行激活步骤if activation == 'sigmoid':A, activation_cache = sigmoid(Z)            # 缓存的是Zelif activation == 'relu':A, activation_cache = relu(Z)assert(A.shape==Z.shape)cache = (linear_cache, activation_cache)return A, cache
# 完整的前向传播
def L_model_forward(X, parameters):caches = []A =<

这篇关于用深层神经网络识别猫咪图片:吴恩达Course1-神经网络与深度学习-week3week4作业的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1075202

相关文章

Java实现将HTML文件与字符串转换为图片

《Java实现将HTML文件与字符串转换为图片》在Java开发中,我们经常会遇到将HTML内容转换为图片的需求,本文小编就来和大家详细讲讲如何使用FreeSpire.DocforJava库来实现这一功... 目录前言核心实现:html 转图片完整代码场景 1:转换本地 HTML 文件为图片场景 2:转换 H

Java实现在Word文档中添加文本水印和图片水印的操作指南

《Java实现在Word文档中添加文本水印和图片水印的操作指南》在当今数字时代,文档的自动化处理与安全防护变得尤为重要,无论是为了保护版权、推广品牌,还是为了在文档中加入特定的标识,为Word文档添加... 目录引言Spire.Doc for Java:高效Word文档处理的利器代码实战:使用Java为Wo

深度解析Python中递归下降解析器的原理与实现

《深度解析Python中递归下降解析器的原理与实现》在编译器设计、配置文件处理和数据转换领域,递归下降解析器是最常用且最直观的解析技术,本文将详细介绍递归下降解析器的原理与实现,感兴趣的小伙伴可以跟随... 目录引言:解析器的核心价值一、递归下降解析器基础1.1 核心概念解析1.2 基本架构二、简单算术表达

深度解析Java @Serial 注解及常见错误案例

《深度解析Java@Serial注解及常见错误案例》Java14引入@Serial注解,用于编译时校验序列化成员,替代传统方式解决运行时错误,适用于Serializable类的方法/字段,需注意签... 目录Java @Serial 注解深度解析1. 注解本质2. 核心作用(1) 主要用途(2) 适用位置3

Java MCP 的鉴权深度解析

《JavaMCP的鉴权深度解析》文章介绍JavaMCP鉴权的实现方式,指出客户端可通过queryString、header或env传递鉴权信息,服务器端支持工具单独鉴权、过滤器集中鉴权及启动时鉴权... 目录一、MCP Client 侧(负责传递,比较简单)(1)常见的 mcpServers json 配置

基于C#实现PDF转图片的详细教程

《基于C#实现PDF转图片的详细教程》在数字化办公场景中,PDF文件的可视化处理需求日益增长,本文将围绕Spire.PDFfor.NET这一工具,详解如何通过C#将PDF转换为JPG、PNG等主流图片... 目录引言一、组件部署二、快速入门:PDF 转图片的核心 C# 代码三、分辨率设置 - 清晰度的决定因

Maven中生命周期深度解析与实战指南

《Maven中生命周期深度解析与实战指南》这篇文章主要为大家详细介绍了Maven生命周期实战指南,包含核心概念、阶段详解、SpringBoot特化场景及企业级实践建议,希望对大家有一定的帮助... 目录一、Maven 生命周期哲学二、default生命周期核心阶段详解(高频使用)三、clean生命周期核心阶

Python从Word文档中提取图片并生成PPT的操作代码

《Python从Word文档中提取图片并生成PPT的操作代码》在日常办公场景中,我们经常需要从Word文档中提取图片,并将这些图片整理到PowerPoint幻灯片中,手动完成这一任务既耗时又容易出错,... 目录引言背景与需求解决方案概述代码解析代码核心逻辑说明总结引言在日常办公场景中,我们经常需要从 W

深度剖析SpringBoot日志性能提升的原因与解决

《深度剖析SpringBoot日志性能提升的原因与解决》日志记录本该是辅助工具,却为何成了性能瓶颈,SpringBoot如何用代码彻底破解日志导致的高延迟问题,感兴趣的小伙伴可以跟随小编一起学习一下... 目录前言第一章:日志性能陷阱的底层原理1.1 日志级别的“双刃剑”效应1.2 同步日志的“吞吐量杀手”

使用Python实现无损放大图片功能

《使用Python实现无损放大图片功能》本文介绍了如何使用Python的Pillow库进行无损图片放大,区分了JPEG和PNG格式在放大过程中的特点,并给出了示例代码,JPEG格式可能受压缩影响,需先... 目录一、什么是无损放大?二、实现方法步骤1:读取图片步骤2:无损放大图片步骤3:保存图片三、示php