用神经网络思维准备Logistic回归数据

Logistic回归是一种二分类方法。在这个完整的教程中对猫和狗的图像进行训练之后，然后给出一张它以前从未见过的猫(y=0)或狗(y=1)的图片，我们将发现机器是否能够预测正确的类型。正如我们将看到的，即使是像Logistic回归这样的简单算法也能令人惊讶地很好地完成这项任务。

我们想创建一个可以接受任意数量的输入并将输出限制在0到1之间的模型。您可能会问，我们将如何做到这一点？答案很简单–一个神经元，具有乙状结肠激活功能。使用一个神经元，有一种方法可以衡量我们的预测输出与真实标签相比有多好。

这意味着我们计划建立一个具有神经网络思维方式的Logistic回归模型。

在本教程中，我将逐步指导您如何做到这一点，因此我还将磨练您对深度学习的直觉。

在本教程中，我们将使用优化算法(梯度下降)构建学习算法的一般体系结构，包括参数初始化、代价函数及其梯度计算。之后，我们将按照正确的顺序将上述三个函数集合到主模型函数中。总而言之，我们不会在您的代码中使用循环(For/While)，除非这是最大化代码性能所必需的。

首先，导入此任务期间需要的所有包：

在本教程中，我将使用免费的狗与猫Kaggle数据集。你可以在这里下载：链接。我不会使用所有的图像，因为对于我们的模型来说，这是一个太大的数据集。在我的示例中，我将使用3000只猫和3000只狗作为训练模型。为了测试这个模型，我将使用500只猫和500只狗的图像。您可以从这里下载我的数据集：链接。LINK LINK

首先，我们应该定义我们的图像大小。因为我们数据集中的图像具有不同的大小，所以我们需要将它们的大小调整到某个特定的大小。我选择64px作为我的教程。然后我定义我的训练和测试图像位置。在最后一步中，我从训练和测试数据集中读取所有图像位置，并将它们作为列表放置：

接下来，我们需要创建一个简单的函数，我们将使用该函数从文件路径中读取每个图像，调整其大小并将其返回以供将来使用：

现在，我们将创建一个函数来准备数据以供进一步使用。在下面的函数中，我们将分离数据，因此，如果我们的图像带有一只狗，我们将给出索引1，如果将有一只猫，我们将给出索引0：

现在，让我们调用我们创建的函数来读取文件夹中的所有测试和训练图像：

现在，我们应该在形状的NumPy数组中重塑形状(行、列、通道)的图像(行、列、通道)(Rows∗Cools∗Channels，1)。在此之后，我们的训练(和测试)数据集将表示平面化图像：

让我们打印我们的数据形状：

打印完我们的形状后，我们应该会看到它们：

要表示彩色图像，必须为每个像素指定红色、绿色和蓝色通道(RGB)，因此像素值实际上是从0到255的三个数字的向量。

机器学习中一个常见的预处理步骤是将我们的数据集居中并标准化，这意味着我们从每个示例中减去整个NumPy数组的平均值，然后将每个示例除以整个NumPy数组的标准差。但对于图片数据集，将数据集的每一行除以255(像素通道的最大值)会更简单、更方便，并且几乎同样有效：

完整教程代码：

现在我们知道了如何准备图像数据集。在下一个教程中，我们将创建学习算法的通用体系结构，并开始构建其功能。

最初发表于https://pylessons.com/Logistic-Regression-part4https://pylessons.com/Logistic-Regression-part4