深度神经网络最终预测模型

深度神经网络在图像分类中的应用

本教程将使用我们在前几部分中实现的函数来构建深度神经网络，并将其应用于猫与狗的分类。希望与之前的Logistic回归实现相比，我们将看到精确度有所提高。在这一部分之后，我们将仅使用NumPy库构建深度神经网络并将其应用于监督学习。

让我们首先导入在这一部分中需要的所有包。我们将使用与Logistic回归中相同的“猫与狗”数据集作为神经网络教程。我们建立的模型在猫和狗的图像分类上有60%的测试准确率。希望我们的新机型能表现得更好！Logistic Regression as a Neural Network

我将导入我们已经从“逻辑回归”系列教程中编写的代码：“Logistic Regression”

L层深度神经网络：

很难用图形来表示深度神经网络。但是，以下是简化的网络表示法：

该模型可概括为：[线性->RELU]×(L-1)->线性->S型。上图详细架构：

• 输入是被展平到大小为(12288，1)的向量的(64，64，3)图像；
• 对应的向量：

• 然后乘以权重矩阵W[1]，然后添加截距b[1]。其结果称为线性单位；
• 接下来，取线性单位的reu。根据模型体系结构，此过程可以针对每个(W[l]，b[l])重复多次；
• 最后，取最后一个线性单位的Sigmoid。如果大于0.5，则将其归类为猫。

一般方法：

像往常一样，我们将遵循深度学习方法来构建模型：

1.初始化参数/定义超参数2.num_iterations的循环：

• 正向传播；
• 计算成本函数；
• 后向传播；
• 更新参数(使用Backprop中的参数和梯度)。

3.使用训练好的参数对标签进行预测。

L层神经网络：

我们将使用前面实现的辅助函数来构建具有以下结构的L层神经网络：[LINEAR->RELU]×(L-1)->LINEAR->S型。

参数：

X-data，NumPy形状数组(示例数，行*列*通道)；Y-true“label”向量(如果是猫，则包含0；如果是狗，则包含1)，形状(1，示例数)；layer_dims-包含输入大小和每个层大小的列表，长度为(层数+1)；Learning_rate-渐变下降更新规则的学习率；num_iterations-优化循环的迭代次数；print_ost-如果为True，则每100步打印成本

返回：

参数-模型学习的参数。然后可以用它们来预测。

预测功能：

在训练我们的模型之前，我们需要编写一个预测函数，该函数将用于预测L层神经网络的结果：

参数：

X-要标记的示例数据集。参数-训练模型的参数。

返回：

给定数据集X的P-预测。

我们现在已经准备好训练我们的深度神经网络模型。所以我们可以运行下面的单元来训练我们的模型。每次迭代都应该降低成本。在我的例子中，有6,000张图像，在我的cpu上运行10000次迭代可能需要一天多的时间。以下是代码：

我更新的猫对狗训练结果：

这是培训成本图：

从我们的测试精确度可以看出，在猫和狗的分类上几乎没有更好的结果。这是因为简单的神经网络不能很好地做到这一点。我们需要使用卷积神经网络来获得更好的结果(在以后的教程中使用它们)。

我们将使用以下代码测试我们的深度神经网络代码。因此有两个功能：创建数据，我们将使用它来训练我们的模型。另一个函数将用于在我们的绘图中绘制决策边界，这是由我们的神经网络预测的；如果不深入了解这些函数，则如下所示：

让我们用以下行来可视化我们的培训数据：

让我们绘制我们的训练数据：

首先，我们将尝试使用具有一个隐藏层的神经网络，其中输入为2，4个隐藏层，输出等于1：

在15000次迭代和0.2%的学习率下，我们得到了61%的准确率：

这是分类图：

它看起来不是很好，所以让我们尝试同样的15000次迭代和0.2%的学习率，有10个隐藏层：

现在我们收到了73%的准确率。很好；让我们画出我们的结果：

现在，让我们测试一下我们所做的努力，并尝试使用Layers_dims=[2,128，4，1]进行更深层次的网络。

现在我们收到了74%的准确率。这很好，但正如你所见，要取得更好的结果越来越难了。让我们画出我们的结果：

恭喜你！在相同的数据集上，我们的深度神经网络似乎比我们的两层神经网络(73%)有更好的性能(74%)。对于这项任务来说，这是一个相当好的表现。干得好！

这是一个相当长的教程。现在，当我们知道如何构建深度神经网络时，我们就可以学习如何优化它们。在接下来的教程中，我们将学习如何通过系统地搜索更好的超参数(Learning_rate、layer_dims、num_iterations等)来获得更高的精度。在下一个教程中见。

完整的教程代码和猫与狗的图像数据集可以在我的GitHub页面上找到。GitHub

最初发表于https://pylessons.com/Deep-neural-networks-part5https://pylessons.com/Deep-neural-networks-part5