在本教程中,您将看到整体模型是通过将所有构建块(在前面的教程中实现的功能)按正确的顺序放在一起来构建的。
在构建模型之前,我们将再编写一个函数,我们将使用该函数来定义我们的模型权重和偏差:
所以我们将实现最终的模型,但是和前面一样,首先让我们看看它的输入和输出是什么:
参数:
X_TRAIN-由NumPy形状数组(ROWS*COLS*CHANCES,m_TRAIN)表示的训练集;Y_TRAIN-由形状(1,m_TRING)的NumPy数组(向量)表示的训练标签;X_TEST-由NumPy形状数组(ROWS*COLS*CHANCES,m_TEST)表示的测试集;Y_TEST-由形状(1,m_test)的NumPy数组(向量)表示的测试标签;Num_Iterations-表示PRINT_COST-设置为TRUE可每100次迭代打印成本。
返回:
字典-包含有关模型信息的字典。
以下是最终的型号代码:
最后,我们定义了最终的Logistic回归模型,让我们在我们的数据集上训练它3,000次,学习率为0.003:
到目前为止,我们已经训练好了我们的模特。让我们用一张测试图片来测试一下:
下面是我们的训练结果,我们做了3000个训练步骤,结果我们得到了58.6%的测试准确率和68.24%的训练准确率。这不是很准确,但是评估我们使用的是简单的逻辑回归,也不是那么糟糕,即使它预测了我们作为一只猫的形象!
完整教程代码:
因此,祝贺您构建了我们的第一个图像分类模型。在下一个教程中,我们将进一步分析它,并检查学习速率a的可能选择。
最初发表于https://pylessons.com/Logistic-Regression-part8https://pylessons.com/Logistic-Regression-part8
原创文章,作者:fendouai,如若转载,请注明出处:https://panchuang.net/2021/07/20/%e6%9c%80%e7%bb%88%e7%9a%84%e7%8c%ab%e5%af%b9%e7%8b%97logistic%e5%9b%9e%e5%bd%92%e6%a8%a1%e5%9e%8b/