目录

夜雨飘零

记录精彩的程序人生

X

使用Logistic回归实现猫的二分类

前言

这里使用到的是一个猫的数据集,根据这个数据集训练图像是不是猫,数据集的图像如下:
这里写图片描述

导入包

如果没有安装对应的包,请使用pip安装对应的包,这个使用了一个lr_utils的工具类,这个工具类是加载数据集的工具,可以到这里下载。这个工具类也使用一个h5py,所以也要安装该包。

# coding=utf-8
import matplotlib.pyplot as plt
import numpy as np
import scipy
from scipy import ndimage
from lr_utils import load_dataset

获取数据

接下来就是加载数据和对数据进行处理

# 加载数据
train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()

# 读取图像的大小
m_train = train_set_x_orig.shape[0]
m_test = test_set_x_orig.shape[0]
num_px = train_set_x_orig.shape[1]

# 把图像的(num_px, num_px, 3)大小转成numpy数据的(num_px ∗ num_px ∗ 3, 1).
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T

# 对数据集进行居中和标准化
train_set_x = train_set_x_flatten / 255.
test_set_x = test_set_x_flatten / 255.

学习算法的一般体系结构

  1. 定义模型结构(例如输入特性的数量)
  2. 初始化模型的参数
  3. 循环:
    • 计算当前损失(正向传播)
    • 计算当前梯度(向后传播)
    • 更新参数(梯度下降)

定义模型结构

定义sigmoid函数

sigmoid函数的公式如下:

$$
sigmoid(x) = \frac{1}{1 + e^{-(x)}}\tag{1}

$$

我们在调用的时候,使用地点参数是$ w^T x + b$,所以计算公式如下:

$$
sigmoid( w^T x + b) = \frac{1}{1 + e^{-(w^T x + b)}}\tag{2}

$$

def sigmoid(x):
    """
    计算sigmoid函数
    :param x: 任意大小的标量或者numpy数组
    :return: sigmoid(x)
    """
    s = 1 / (1 + np.exp(-x))
    return s

定义计算损失值函数

通过“正向”和“反向”传播,计算损失值。
正向传播:

  • 获取 X
  • 计算 $A = \sigma(w^T X + b) = (a^{(1)}, a^{(2)}, ..., a^{(m-1)}, a^{(m)})$
  • 计算损失函数: $J = -\frac{1}{m}\sum_{i=1}^{m}y^{(i)}\log(a^{(i)})+(1-y^{(i)})\log(1-a^{(i)})$

计算dwdb使用到的两条公式:

$$
\frac{\partial J}{\partial w} = \frac{1}{m}X(A-Y)^T\tag{3}

$$

$$
\frac{\partial J}{\partial b} = \frac{1}{m} \sum_{i=1}^m (a^{(i)}-y^{(i)})\tag{4}

$$

def propagate(w, b, X, Y):
    """
    实现上述传播的成本函数及其梯度
    :param w: 权重,一个numpy数组大小(num_px * num_px * 3,1)
    :param b: 偏差,一个标量
    :param X: 数据大小(num_px * num_px * 3,例子数量)
    :param Y: 真正的“标签”向量(包含0如果非猫,1如果猫)的大小(1,例子数量)
    :return: 
    cost -- Logistic回归的负对数似然成本。
    dw -- 关于w的损失梯度,与w相同。
    db -- 关于b的损失梯度,与b相同。
    """
    m = X.shape[1]
    A = sigmoid(np.add(np.dot(w.T, X), b))  # compute activation
    cost = -(np.dot(Y, np.log(A).T) + np.dot(1 - Y, np.log(1 - A).T)) / m  # compute cost
    dw = np.dot(X, (A - Y).T) / m
    db = np.sum(A - Y) / m
    assert (dw.shape == w.shape)
    assert (db.dtype == float)
    cost = np.squeeze(cost)
    assert (cost.shape == ())
    grads = {"dw": dw,
             "db": db}

    return grads, cost

初始化模型的参数

开始给权重值和偏差初始化一个值,权重是一个矢量,偏差是一个标量。

def initialize_with_zeros(dim):
    """
    这个函数为w创建一个形状为0的向量(dim, 1),并初始化b为0。
    :param dim: 我们想要的w向量的大小(或者这个例子中的参数个数)
    :return: 
    w -- 初始形状矢量(dim, 1)
    b -- 初始化标量(对应于偏差)
    """
    w = np.zeros((dim, 1))
    b = 0
    assert (w.shape == (dim, 1))
    assert (isinstance(b, float) or isinstance(b, int))
    return w, b

定义梯度下降算法

通过以下的公式规则来更新参数:

$$
\theta = \theta - \alpha \text{ } d\theta\tag{5}

$$

def optimize(w, b, X, Y, num_iterations, learning_rate, print_cost=False):
    """
    该函数通过运行梯度下降算法优化w和b
    :param w: 权重,一个numpy数组大小(num_px * num_px * 3,1)
    :param b: 偏差,一个标量
    :param X: 数据大小 (num_px * num_px * 3, 例子数量)
    :param Y: 真正的“标签”向量(包含0,如非猫,1如果猫),形状(1,例子数量)
    :param num_iterations: 优化循环的迭代次数
    :param learning_rate: 梯度下降更新规则的学习速率
    :param print_cost: 确实每100步就打印一次损失
    :return: 
    params -- 字典中包含权重w和偏差b。
    grads -- 字典中包含权重的梯度和关于成本函数的梯度。
    costs -- 在优化过程中计算的所有成本列表,将用于绘制学习曲线。
    """
    costs = []
    for i in range(num_iterations):
        grads, cost = propagate(w, b, X, Y)
        dw = grads["dw"]
        db = grads["db"]
        w = w - learning_rate * dw
        b = b - learning_rate * db
        if i % 100 == 0:
            costs.append(cost)
        if print_cost and i % 100 == 0:
            print ("Cost after iteration %i: %f" % (i, cost))

    params = {"w": w,
              "b": b}

    grads = {"dw": dw,
             "db": db}

    return params, grads, costs

使用Logistic预测

然后通过以下的公式可以得到预测结果:

$$
\hat{Y} = A = \sigma(w^T X + b)\tag{6}

$$

当激活值小于等于0.5时,结果是0,如果激活值大于0.5时,结果是1。

def predict(w, b, X):
    """
    使用学习的逻辑回归参数预测标签是否为0或1 (w, b)
    :param w: 权重,一个numpy数组大小(num_px * num_px * 3,1)
    :param b: 偏差,一个标量
    :param X: 数据大小 (num_px * num_px * 3, 样本数量)
    :return: 
    Y_prediction -- 一个包含所有关于X中的例子的所有预测(0/1)的numpy数组(vector)。 
    """
    m = X.shape[1]
    Y_prediction = np.zeros((1, m))
    w = w.reshape(X.shape[0], 1)
    A = sigmoid(np.dot(w.T, X) + b)
    for i in range(A.shape[1]):
        if A[0, i] <= 0.5:
            Y_prediction[0, i] = 0
        else:
            Y_prediction[0, i] = 1
    assert (Y_prediction.shape == (1, m))
    return Y_prediction

将所有功能合并到模型中

把刚才编写好的函数:初始化函数,优化参数函数和预测函数整合到这个model函数统一处理:

def model(X_train, Y_train, X_test, Y_test, num_iterations=2000, learning_rate=0.5, print_cost=False):
    """
    通过调用之前实现的函数构建逻辑回归模型。
    :param X_train: 由形状的numpy数组表示的训练集(num_px * num_px * 3, m_train)
    :param Y_train: 由形状(1,m_train)的numpy阵列(矢量)表示的训练标签
    :param X_test: 由形状的numpy数组表示的测试集(num_px * num_px * 3, m_test)
    :param Y_test: 由形状(1,m_test)的numpy数组(vector)表示的测试标签
    :param num_iterations: 表示要优化参数的迭代次数的超参数。
    :param learning_rate: 表示optimize()更新规则中使用的学习速率的超参数
    :param print_cost: 设置为true,每100次迭代打印成本。
    :return: 
    d -- 包含模型信息的字典。
    """
    w, b = initialize_with_zeros(X_train.shape[0])
    parameters, grads, costs = optimize(w, b, X_train, Y_train, num_iterations, learning_rate, print_cost)

    w = parameters["w"]
    b = parameters["b"]

    Y_prediction_test = predict(w, b, X_test)
    Y_prediction_train = predict(w, b, X_train)

    print("train accuracy: {} %".format(100 - np.mean(np.abs(Y_prediction_train - Y_train)) * 100))
    print("test accuracy: {} %".format(100 - np.mean(np.abs(Y_prediction_test - Y_test)) * 100))

    d = {"costs": costs,
         "Y_prediction_test": Y_prediction_test,
         "Y_prediction_train": Y_prediction_train,
         "w": w,
         "b": b,
         "learning_rate": learning_rate,
         "num_iterations": num_iterations}

    return d

测试各种的学习率对模型收敛的效果

尝试不同的学习率,可以得到最好的训练效果。学习率决定我们更新参数的速度。如果学习率过高,我们可能会“超过”最优值。同样,如果它太小,我们将需要太多迭代才能收敛到最佳值,所以一个好的学习率至关重要。

def test_anther_lr():
    learning_rates = [0.01, 0.001, 0.0001]
    models = {}
    for i in learning_rates:
        print ("learning rate is: " + str(i))
        models[str(i)] = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations=1500,
                               learning_rate=i, print_cost=False)
        print ('\n' + "-------------------------------------------------------" + '\n')

    for i in learning_rates:
        plt.plot(np.squeeze(models[str(i)]["costs"]), label=str(models[str(i)]["learning_rate"]))

    plt.ylabel('cost')
    plt.xlabel('iterations (hundreds)')

    legend = plt.legend(loc='upper center', shadow=True)
    frame = legend.get_frame()
    frame.set_facecolor('0.90')
    plt.show()

预测自己的图像

通过这个函数,可以是个模型字典的参数就可以获取预测结果了。通过接收图像修该成训练时的图像大小。要注意的是只接受JPG格式的图像。

def infer_mydata(my_image, d):
    """
    预测自己的图像
    :param my_image: 图像名字,只接受jpg格式
    :param d: 训练好的模型信息的字典
    :return: 
    """
    fname = "images/" + my_image
    image = np.array(ndimage.imread(fname, flatten=False))
    my_image = scipy.misc.imresize(image, size=(num_px, num_px)).reshape((1, num_px * num_px * 3)).T
    my_predicted_image = predict(d["w"], d["b"], my_image)

    plt.imshow(image)
    print("y = " + str(np.squeeze(my_predicted_image)) + ", your algorithm predicts a \"" + classes[
        int(np.squeeze(my_predicted_image)),].decode("utf-8") + "\" picture.")

启动训练

在这里可以调用model()函数进行训练模型,获得训练后的模型信息的字典,使用这些字典就可以预测图像了。
通过调用infer_mydata()这个函数就可以预测图像了,这个要注意的是,图像只支持JPG格式。
test_anther_lr()函数是使用不用的学习率来观察不同学习率的收敛情况。

if __name__ == "__main__":
    d = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations=1000, learning_rate=0.005,
              print_cost=True)
    # infer_mydata('cat2.jpg', d)
    # test_anther_lr()

输出结果如下:

Cost after iteration 0: 0.693147
Cost after iteration 100: 0.584508
Cost after iteration 200: 0.466949
Cost after iteration 300: 0.376007
Cost after iteration 400: 0.331463
Cost after iteration 500: 0.303273
Cost after iteration 600: 0.279880
Cost after iteration 700: 0.260042
Cost after iteration 800: 0.242941
Cost after iteration 900: 0.228004
train accuracy: 96.6507177033 %
test accuracy: 72.0 %

全部代码

为了方便阅读代码,笔者把这篇的所有代码都放出来了:

# coding=utf-8
import matplotlib.pyplot as plt
import numpy as np
import scipy
from scipy import ndimage
from lr_utils import load_dataset

# 加载数据
train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()

# 读取图像的大小
m_train = train_set_x_orig.shape[0]
m_test = test_set_x_orig.shape[0]
num_px = train_set_x_orig.shape[1]

# 把图像的(num_px, num_px, 3)大小转成numpy数据的(num_px ∗ num_px ∗ 3, 1).
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T

# 对数据集进行居中和标准化
train_set_x = train_set_x_flatten / 255.
test_set_x = test_set_x_flatten / 255.


# 定义sigmoid函数
def sigmoid(x):
    """
    计算sigmoid函数
    :param x: 任意大小的标量或者numpy数组
    :return: sigmoid(x)
    """
    s = 1 / (1 + np.exp(-x))
    return s


# 初始化权重值和偏差
def initialize_with_zeros(dim):
    """
    这个函数为w创建一个形状为0的向量(dim, 1),并初始化b为0。
    :param dim: 我们想要的w向量的大小(或者这个例子中的参数个数)
    :return: 
    w -- 初始形状矢量(dim, 1)
    b -- 初始化标量(对应于偏差)
    """
    w = np.zeros((dim, 1))
    b = 0
    assert (w.shape == (dim, 1))
    assert (isinstance(b, float) or isinstance(b, int))
    return w, b


# 通过正向传播和反向传播计算损失值
def propagate(w, b, X, Y):
    """
    实现上述传播的成本函数及其梯度
    :param w: 权重,一个numpy数组大小(num_px * num_px * 3,1)
    :param b: 偏差,一个标量
    :param X: 数据大小(num_px * num_px * 3,例子数量)
    :param Y: 真正的“标签”向量(包含0如果非猫,1如果猫)的大小(1,例子数量)
    :return: 
    cost -- Logistic回归的负对数似然成本。
    dw -- 关于w的损失梯度,与w相同。
    db -- 关于b的损失梯度,与b相同。
    """
    m = X.shape[1]
    A = sigmoid(np.add(np.dot(w.T, X), b))  # compute activation
    cost = -(np.dot(Y, np.log(A).T) + np.dot(1 - Y, np.log(1 - A).T)) / m  # compute cost
    dw = np.dot(X, (A - Y).T) / m
    db = np.sum(A - Y) / m
    assert (dw.shape == w.shape)
    assert (db.dtype == float)
    cost = np.squeeze(cost)
    assert (cost.shape == ())
    grads = {"dw": dw,
             "db": db}

    return grads, cost


# 通过梯度下降算法来优化w和b
def optimize(w, b, X, Y, num_iterations, learning_rate, print_cost=False):
    """
    该函数通过运行梯度下降算法优化w和b
    :param w: 权重,一个numpy数组大小(num_px * num_px * 3,1)
    :param b: 偏差,一个标量
    :param X: 数据大小 (num_px * num_px * 3, 例子数量)
    :param Y: 真正的“标签”向量(包含0,如非猫,1如果猫),形状(1,例子数量)
    :param num_iterations: 优化循环的迭代次数
    :param learning_rate: 梯度下降更新规则的学习速率
    :param print_cost: 确实每100步就打印一次损失
    :return: 
    params -- 字典中包含权重w和偏差b。
    grads -- 字典中包含权重的梯度和关于成本函数的梯度。
    costs -- 在优化过程中计算的所有成本列表,将用于绘制学习曲线。
    """
    costs = []
    for i in range(num_iterations):
        grads, cost = propagate(w, b, X, Y)
        dw = grads["dw"]
        db = grads["db"]
        w = w - learning_rate * dw
        b = b - learning_rate * db
        if i % 100 == 0:
            costs.append(cost)
        if print_cost and i % 100 == 0:
            print ("Cost after iteration %i: %f" % (i, cost))

    params = {"w": w,
              "b": b}

    grads = {"dw": dw,
             "db": db}

    return params, grads, costs


# 使用Logistic预测
def predict(w, b, X):
    """
    使用学习的逻辑回归参数预测标签是否为0或1 (w, b)
    :param w: 权重,一个numpy数组大小(num_px * num_px * 3,1)
    :param b: 偏差,一个标量
    :param X: 数据大小 (num_px * num_px * 3, 样本数量)
    :return: 
    Y_prediction -- 一个包含所有关于X中的例子的所有预测(0/1)的numpy数组(vector)。 
    """
    m = X.shape[1]
    Y_prediction = np.zeros((1, m))
    w = w.reshape(X.shape[0], 1)
    A = sigmoid(np.dot(w.T, X) + b)
    for i in range(A.shape[1]):
        if A[0, i] <= 0.5:
            Y_prediction[0, i] = 0
        else:
            Y_prediction[0, i] = 1
    assert (Y_prediction.shape == (1, m))
    return Y_prediction


# 将所有功能合并到模型中
def model(X_train, Y_train, X_test, Y_test, num_iterations=2000, learning_rate=0.5, print_cost=False):
    """
    通过调用之前实现的函数构建逻辑回归模型。
    :param X_train: 由形状的numpy数组表示的训练集(num_px * num_px * 3, m_train)
    :param Y_train: 由形状(1,m_train)的numpy阵列(矢量)表示的训练标签
    :param X_test: 由形状的numpy数组表示的测试集(num_px * num_px * 3, m_test)
    :param Y_test: 由形状(1,m_test)的numpy数组(vector)表示的测试标签
    :param num_iterations: 表示要优化参数的迭代次数的超参数。
    :param learning_rate: 表示optimize()更新规则中使用的学习速率的超参数
    :param print_cost: 设置为true,每100次迭代打印成本。
    :return: 
    d -- 包含模型信息的字典。
    """
    w, b = initialize_with_zeros(X_train.shape[0])
    parameters, grads, costs = optimize(w, b, X_train, Y_train, num_iterations, learning_rate, print_cost)

    w = parameters["w"]
    b = parameters["b"]

    Y_prediction_test = predict(w, b, X_test)
    Y_prediction_train = predict(w, b, X_train)

    print("train accuracy: {} %".format(100 - np.mean(np.abs(Y_prediction_train - Y_train)) * 100))
    print("test accuracy: {} %".format(100 - np.mean(np.abs(Y_prediction_test - Y_test)) * 100))

    d = {"costs": costs,
         "Y_prediction_test": Y_prediction_test,
         "Y_prediction_train": Y_prediction_train,
         "w": w,
         "b": b,
         "learning_rate": learning_rate,
         "num_iterations": num_iterations}

    return d


# 测试各种的学习率对模型收敛的效果
def test_anther_lr():
    learning_rates = [0.01, 0.001, 0.0001]
    models = {}
    for i in learning_rates:
        print ("learning rate is: " + str(i))
        models[str(i)] = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations=1500,
                               learning_rate=i, print_cost=False)
        print ('\n' + "-------------------------------------------------------" + '\n')

    for i in learning_rates:
        plt.plot(np.squeeze(models[str(i)]["costs"]), label=str(models[str(i)]["learning_rate"]))

    plt.ylabel('cost')
    plt.xlabel('iterations (hundreds)')

    legend = plt.legend(loc='upper center', shadow=True)
    frame = legend.get_frame()
    frame.set_facecolor('0.90')
    plt.show()


# 预测自己的图像
def infer_mydata(my_image, d):
    """
    预测自己的图像
    :param my_image: 图像名字,只接受jpg格式
    :param d: 训练好的模型信息的字典
    :return: 
    """
    fname = "images/" + my_image
    image = np.array(ndimage.imread(fname, flatten=False))
    my_image = scipy.misc.imresize(image, size=(num_px, num_px)).reshape((1, num_px * num_px * 3)).T
    my_predicted_image = predict(d["w"], d["b"], my_image)

    plt.imshow(image)
    print("y = " + str(np.squeeze(my_predicted_image)) + ", your algorithm predicts a \"" + classes[
        int(np.squeeze(my_predicted_image)),].decode("utf-8") + "\" picture.")


if __name__ == "__main__":
    d = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations=1000, learning_rate=0.005,
              print_cost=True)
    # infer_mydata('cat2.jpg', d)
    # test_anther_lr()

参考资料

  1. http://deeplearning.ai/




该笔记是学习吴恩达老师的课程写的。初学者入门,如有理解有误的,欢迎批评指正!


标题:使用Logistic回归实现猫的二分类
作者:yeyupiaoling
地址:https://yeyupiaoling.cn/articles/1584971742853.html