学过吴恩达的Machine Learning课程，现在跟着学深度学习，本来是想付费的，奈何搞半天付款没有成功，没办法只能下载数据集自己搞了。由于门外汉，安装工具软件加上完成作业花了一天时间，其实第二周的作业和机器学习课程基本是一样的，没有什么太大难度，都是初级入门，但是课程视频还是讲了一些之前没有接触过的内容。
课程作业数据集和代码可以到百度云下载：
链接：https://pan.baidu.com/s/1cwd8IE 密码：1xkv
1、作业前环境安装和工具准备
本部分只针对不知道咋自己搭建作业环境的同学，当然大神也不会浏览到我的博客啦 哈哈！
第一步 安装jupyter notebook，安装方法很简单，只要安装了Python和pip工具就可以了
win系统在cmd命令行输入pip install jupyter notebook 
安装后就是启动jupyter notebook，直接在命令窗口输入jupyter notebook即可启动了，由默认浏览器打开。 
默认的文件夹是C盘下用户文件夹，可以通过修改配置文件修改默认文件夹，详见http://blog.csdn.net/qq_33039859/article/details/54604533
然后就把数据集和模块文件放到里面去，然后点“New”选择Python新建文件，点击这个文件就可以进行编程了。 
第二步是安装第三方工具库，本周用到的库有numpy h5py matplotlib PIL scipy ，这些库都可以使用pip工具安装，和上面安装notebook步骤是一样的，不再赘述了。（可以在Python IDLE里面import一下看有没有安装成功）
2、安装包，前面说过了,这几个包主要是科学计算和图片处理用的，具体可以上网搜一下。
import numpy as np
import matplotlib.pyplot as plt
import h5py
import scipy
from PIL import Image
from scipy import ndimage
from lr_utils import load_dataset3、数据集处理
导入数据，使用课程提供lr_utils模块load_dataset函数
train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()获得样本数量
m_train=train_set_x_orig.shape[0]
m_test=test_set_x_orig.shape[0]
num_px=train_set_x_orig[0].shape[0]打印数据集中样本的一些参数，可以直观检查数据规模
print (“Number of training examples: m_train = ” +
str(m_train))
print (“Number of testing examples: m_test = ” + str(m_test))
print (“Height/Width of each image: num_px = ” + str(num_px))
print (“Each image is of size: (” + str(num_px) + “, ” + str(num_px) + “, 3)”)
print (“train_set_x shape: ” + str(train_set_x_orig.shape))
print (“train_set_y shape: ” + str(train_set_y.shape))
print (“test_set_x shape: ” + str(test_set_x_orig.shape))
print (“test_set_y shape: ” + str(test_set_y.shape))
Number of training examples: m_train = 209
Number of testing examples: m_test = 50
Height/Width of each image: num_px = 64
Each image is of size: (64, 64, 3)
train_set_x shape: (209, 64, 64, 3)
train_set_y shape: (1, 209)
test_set_x shape: (50, 64, 64, 3)
test_set_y shape: (1, 50)可以看到训练集一共是209个样本，每个样本都是一个3通道（RGB）图片的数组，每个样本大小是64*64*3
数据展开，由于图片直接翻译过来的是多维数组，不利于后续数据处理，需要对数据进行展开处理：
train_set_x_flatten=train_set_x_orig.reshape(m_train,num_px**2*3).T
test_set_x_flatten=test_set_x_orig.reshape(m_test,-1).T打印看一下展开结果：
print ("train_set_x_flatten shape: " + str(train_set_x_flatten.shape))
print ("train_set_y shape: " + str(train_set_y.shape))
print ("test_set_x_flatten shape: " + str(test_set_x_flatten.shape))
print ("test_set_y shape: " + str(test_set_y.shape))
print ("sanity check after reshaping: " + str(train_set_x_flatten[0:5,0]))结果：
train_set_x_flatten shape: (12288, 209)
train_set_y shape: (1, 209)
test_set_x_flatten shape: (12288, 50)
test_set_y shape: (1, 50)
sanity check after reshaping: [17 31 56 22 33]除以255，均值化
train_set_x = train_set_x_flatten/255.
test_set_x = test_set_x_flatten/255.4、函数定义
定义激励函数
def sigmoid(z):
s=1/(1+np.exp(-z))
return s定义参数初始化函数
def initialize_with_zeros(dim):
w=np.zeros((dim,1))
b=0
assert(w.shape==(dim,1))
assert(isinstance(b,float) or isinstance(b,int))
return w,b定义传播函数，可以计算梯度和损失函数：
def propagate(w,b,X,Y):
m=X.shape[1]
A=sigmoid(np.dot(w.T,X)+b)
cost=-np.sum(np.multiply(Y,np.log(A))+np.multiply(1-Y,np.log(1-A)))/m
dw=1/m*np.dot(X,(A-Y).T)
db=1/m*np.sum(A-Y)
assert(dw.shape==w.shape)
assert(db.dtype==float)
cost = np.squeeze(cost)#删除数组中为1的那个维度
assert(cost.shape == ())#cost为实数
grads={'dw':dw,
'db':db}
return grads,cost
定义优化函数，进行梯度下降算法实现，得到最终优化参数W，b：
def optimize(w, b, X, Y, num_iterations, learning_rate, print_cost = False):
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以上部分已经完成了对于逻辑回归算法的实现，下面进行预测，在得到W和b参数后，对于一个确定的样本集进行分类预测，根据概率大小进行分类。
def predict(w,b,X):
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]=1
else:
Y_prediction[0,i]=0
assert(Y_prediction.shape == (1, m))
return Y_prediction可以进行打印输出
print ("predictions = " + str(predict(w, b, X)))最后将前面逻辑回归的所有函数集合到一个模型中，便于调用：
def model(X_train,Y_train,X_test,Y_test,num_iterations=2000,learning_rate=0.005, print_cost = False):
w,b=np.zeros((X_train.shape[0],1)),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 d5、运行模型
运行数据集查看结果，迭代2000次，学习率0.005
d = model(train_set_x, train_set_y, test_set_x, test_set_y, num_iterations = 2000, learning_rate = 0.005, print_cost = True)结果，训练集精度99%，测试集精度70%，有一些过拟合了，模型精度有待提高：
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
Cost after iteration 1000: 0.214820
Cost after iteration 1100: 0.203078
Cost after iteration 1200: 0.192544
Cost after iteration 1300: 0.183033
Cost after iteration 1400: 0.174399
Cost after iteration 1500: 0.166521
Cost after iteration 1600: 0.159305
Cost after iteration 1700: 0.152667
Cost after iteration 1800: 0.146542
Cost after iteration 1900: 0.140872
train accuracy: 99.04306220095694 %
test accuracy: 70.0 %可以看一下模型效果，使用PIL库的图片显示函数imshow将数据集的数组转化为图片显示出来，显示之前要reshape为imshow需要的尺寸：
index=1
plt.imshow(test_set_x[:,index].reshape((num_px,num_px,3))) #使用imshow必须是RGB图像格式，3通道
print('y= '+str(test_set_y[0,index])+ ", you predicted that it is a \""+classes[int(d['Y_prediction_test'][0,index])].decode('utf-8')+"\"picture.")结果：
y= 1, you predicted that it is a "cat"picture.
6、学习率的影响
学习率大小影响模型最终的精度和收敛速度
测试一下，把上面模型的学习率分别赋值0.01,0.001,0.0001观察损失函数随着迭代次数增加的反应：
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')
legend = plt.legend(loc='upper center', shadow=True)
frame = legend.get_frame()
frame.set_facecolor('0.90')
plt.show()
可以看到学习率太大会使得损失函数波动较大，但是收敛速度快，学习率太小会导致模型精度降低。
7、试一下自己的图片
可以把自己的图片导入模型看一下效果，把图片放入到images文件夹下面，将下面代码的my_image的值改为你图片的名称即可。图片处理是通过scipy库imresize函数将图片分辨率调整为模型可接受的64*64*3的大小，然后通过plt库的imshow函数显示，要注意的是显示的是原图片大小，并不是处理后的图片。
my_image = "image1219.jpg"
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.")结果：
y = 1.0, your algorithm predicts a “cat” picture. 
以上基本就是本次作业的主要内容，很多课程的说明文档没有拿过来，主要是因为网上有大量的参考，我只针对主要模块进行了简要说明，而且逻辑回归比较简单，和原来的机器学习作业基本类似，从理论上没有引入新的东西，如果对这个课程学起来感觉有难度可以先去把机器学习的课看一下，对于很多基础的概念就清楚了。