深度学习----编程练习 1.4.2深度神经网络对图像分类的应用
深度神经网络对图像分类的应用
你将会使用你之前建立一个神经网络作业中所实现的函数,并且将它应用于猫与非猫的分类。希望与以前的逻辑回归实现相比,您将看到准确性的提高。
在本次作业之后,你能够:
- 建立并且应用一个神经网络到监督学习中
1 - 开发包
- numpy 是 Python 科学计算中基本的开发包。
- matplotlib 是 Python 中一个绘图库
- h5py 是与存于 H5 文件的数据集交互的常用开发包
- PIL 和 scipy 用于最后用你自己的图片测试你的模型
- dnn_app_utils 提供了上次作业中已经实现的函数
- np.random.seed(1) 用于保持所有随机函数调用的一致性。他将会帮助我们对你的作业计分
2 - 数据集
你将会使用在作业二中同样的 ”猫与非猫“ 的数据集。你之前建立的模型有 70% 的测试精度,希望你的新模型可以做的更好。
**问题叙述:**你得到一个数据集(”data.h5“)包含:
- 一个被标记的训练集 m_train 图像,标记为猫(1)非猫(0)
- 一个测试集 m_test 图像,标记为猫和非猫
- 每个图像的形状是(num_px, num_px, 3)3 是 3 通道(RGB)
下面的代码将会显示数据集中的一个图像。
像平常一样,你可以在图像载入网络之前将他们重构标准化。代码已经在下面给出了
3 - 模型结构
你将会构建两个不同的模型
- 一个 2 层的神经网络
- 一个 L 层的神经网络
之后你将对这些模型的性能做出对比,并且尝试不同的 L 值
写了一半发现这里没有什么需要写的代码,基本都是函数调用,唯一需要注意的是函数输入参数。就不写了,有需要的留言,我会第一时间回复