最终的猫对狗Logistic回归模型

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