用jupyter写一个二层神经网络的损失函数随迭代次数变换的图的代码

时间: 2024-02-18 18:00:07 浏览: 24
好的,以下是用Python和Jupyter Notebook实现二层神经网络的损失函数随迭代次数变换的图的代码。 首先,我们需要导入所需的库,包括numpy和matplotlib: ```python import numpy as np import matplotlib.pyplot as plt %matplotlib inline ``` 接下来,我们定义一个函数`two_layer_neural_network()`来实现二层神经网络的前向传播和反向传播: ```python def two_layer_neural_network(X, Y, num_iterations, learning_rate, n_h): """ Arguments: X -- input data of shape (n_x, m) Y -- true "label" vector (containing 0 if cat, 1 if non-cat), of shape (1, m) num_iterations -- number of iterations of the optimization loop learning_rate -- learning rate of the gradient descent update rule n_h -- size of the hidden layer Returns: parameters -- a dictionary containing W1, b1, W2, b2 """ # Initialize parameters n_x = X.shape[0] n_y = Y.shape[0] W1 = np.random.randn(n_h, n_x) * 0.01 b1 = np.zeros((n_h, 1)) W2 = np.random.randn(n_y, n_h) * 0.01 b2 = np.zeros((n_y, 1)) # Loop (gradient descent) costs = [] for i in range(num_iterations): # Forward propagation Z1 = np.dot(W1, X) + b1 A1 = np.tanh(Z1) Z2 = np.dot(W2, A1) + b2 A2 = 1 / (1 + np.exp(-Z2)) # Compute cost cost = -np.mean(Y * np.log(A2) + (1 - Y) * np.log(1 - A2)) # Backward propagation dZ2 = A2 - Y dW2 = np.dot(dZ2, A1.T) / X.shape[1] db2 = np.mean(dZ2, axis=1, keepdims=True) dZ1 = np.dot(W2.T, dZ2) * (1 - np.power(A1, 2)) dW1 = np.dot(dZ1, X.T) / X.shape[1] db1 = np.mean(dZ1, axis=1, keepdims=True) # Update parameters W2 = W2 - learning_rate * dW2 b2 = b2 - learning_rate * db2 W1 = W1 - learning_rate * dW1 b1 = b1 - learning_rate * db1 # Print cost every 100 iterations if i % 100 == 0: print("Cost after iteration %i: %f" % (i, cost)) costs.append(cost) # Plot the cost plt.plot(costs) plt.ylabel('Cost') plt.xlabel('Iterations (per hundreds)') plt.title("Learning rate =" + str(learning_rate)) plt.show() # Return parameters parameters = {"W1": W1, "b1": b1, "W2": W2, "b2": b2} return parameters ``` 最后,我们可以使用以下代码来调用函数并训练模型,并将损失函数随迭代次数变换的图显示出来: ```python # Generate random data np.random.seed(1) X = np.random.randn(2, 100) Y = np.random.randn(1, 100) > 0 # Train the model parameters = two_layer_neural_network(X, Y, num_iterations=1000, learning_rate=0.1, n_h=4) ``` 运行以上代码后,您将看到损失函数随迭代次数变换的图。

相关推荐

最新推荐

recommend-type

使用TensorFlow搭建一个全连接神经网络教程

在本教程中,我们将深入探讨如何使用TensorFlow构建一个全连接神经网络,以解决MNIST手写数字识别问题。MNIST数据集包含了60,000个训练样本和10,000个测试样本,每个样本是28x28像素的灰度图像,对应的标签是从0到9...
recommend-type

使用 pytorch 创建神经网络拟合sin函数的实现

在这个例子中,我们的目标是用神经网络学习正弦函数的形状,这是一个非线性的周期性函数。通过拟合这样的函数,我们可以直观地看到神经网络如何处理非线性关系。 接下来,我们按照以下步骤实现神经网络: 1. **...
recommend-type

使用jupyter Nodebook查看函数或方法的参数以及使用情况

补充知识:Jupyter notebook如何查看代码提示/doc文档/函数(方法)用法? 选中需要查看的函数方法按快捷键Shift+Tab 光标直接放上面再按快捷键Shift+Tab就可以了,不用拖动选取,如: 右上角的^符号是展开,x是关闭,...
recommend-type

利用TensorFlow训练简单的二分类神经网络模型的方法

在本文中,我们将深入探讨如何使用TensorFlow构建一个简单的二分类神经网络模型。二分类问题是一种常见的机器学习任务,目标是将数据分为两个互斥的类别。在这个例子中,我们将利用TensorFlow实现一个神经网络来解决...
recommend-type

pytorch下使用LSTM神经网络写诗实例

在本文中,我们将探讨如何使用PyTorch实现一个基于LSTM(Long Short-Term Memory)神经网络的诗歌生成系统。LSTM是一种递归神经网络(RNN)变体,特别适合处理序列数据,如文本,因为它能有效地捕获长期依赖性。 ...
recommend-type

BSC绩效考核指标汇总 (2).docx

BSC(Balanced Scorecard,平衡计分卡)是一种战略绩效管理系统,它将企业的绩效评估从传统的财务维度扩展到非财务领域,以提供更全面、深入的业绩衡量。在提供的文档中,BSC绩效考核指标主要分为两大类:财务类和客户类。 1. 财务类指标: - 部门费用的实际与预算比较:如项目研究开发费用、课题费用、招聘费用、培训费用和新产品研发费用,均通过实际支出与计划预算的百分比来衡量,这反映了部门在成本控制上的效率。 - 经营利润指标:如承保利润、赔付率和理赔统计,这些涉及保险公司的核心盈利能力和风险管理水平。 - 人力成本和保费收益:如人力成本与计划的比例,以及标准保费、附加佣金、续期推动费用等与预算的对比,评估业务运营和盈利能力。 - 财务效率:包括管理费用、销售费用和投资回报率,如净投资收益率、销售目标达成率等,反映公司的财务健康状况和经营效率。 2. 客户类指标: - 客户满意度:通过包装水平客户满意度调研,了解产品和服务的质量和客户体验。 - 市场表现:通过市场销售月报和市场份额,衡量公司在市场中的竞争地位和销售业绩。 - 服务指标:如新契约标保完成度、续保率和出租率,体现客户服务质量和客户忠诚度。 - 品牌和市场知名度:通过问卷调查、公众媒体反馈和总公司级评价来评估品牌影响力和市场认知度。 BSC绩效考核指标旨在确保企业的战略目标与财务和非财务目标的平衡,通过量化这些关键指标,帮助管理层做出决策,优化资源配置,并驱动组织的整体业绩提升。同时,这份指标汇总文档强调了财务稳健性和客户满意度的重要性,体现了现代企业对多维度绩效管理的重视。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【进阶】Flask中的会话与用户管理

![python网络编程合集](https://media.geeksforgeeks.org/wp-content/uploads/20201021201514/pythonrequests.PNG) # 2.1 用户注册和登录 ### 2.1.1 用户注册表单的设计和验证 用户注册表单是用户创建帐户的第一步,因此至关重要。它应该简单易用,同时收集必要的用户信息。 * **字段设计:**表单应包含必要的字段,如用户名、电子邮件和密码。 * **验证:**表单应验证字段的格式和有效性,例如电子邮件地址的格式和密码的强度。 * **错误处理:**表单应优雅地处理验证错误,并提供清晰的错误消
recommend-type

卷积神经网络实现手势识别程序

卷积神经网络(Convolutional Neural Network, CNN)在手势识别中是一种非常有效的机器学习模型。CNN特别适用于处理图像数据,因为它能够自动提取和学习局部特征,这对于像手势这样的空间模式识别非常重要。以下是使用CNN实现手势识别的基本步骤: 1. **输入数据准备**:首先,你需要收集或获取一组带有标签的手势图像,作为训练和测试数据集。 2. **数据预处理**:对图像进行标准化、裁剪、大小调整等操作,以便于网络输入。 3. **卷积层(Convolutional Layer)**:这是CNN的核心部分,通过一系列可学习的滤波器(卷积核)对输入图像进行卷积,以
recommend-type

BSC资料.pdf

"BSC资料.pdf" 战略地图是一种战略管理工具,它帮助企业将战略目标可视化,确保所有部门和员工的工作都与公司的整体战略方向保持一致。战略地图的核心内容包括四个相互关联的视角:财务、客户、内部流程和学习与成长。 1. **财务视角**:这是战略地图的最终目标,通常表现为股东价值的提升。例如,股东期望五年后的销售收入达到五亿元,而目前只有一亿元,那么四亿元的差距就是企业的总体目标。 2. **客户视角**:为了实现财务目标,需要明确客户价值主张。企业可以通过提供最低总成本、产品创新、全面解决方案或系统锁定等方式吸引和保留客户,以实现销售额的增长。 3. **内部流程视角**:确定关键流程以支持客户价值主张和财务目标的实现。主要流程可能包括运营管理、客户管理、创新和社会责任等,每个流程都需要有明确的短期、中期和长期目标。 4. **学习与成长视角**:评估和提升企业的人力资本、信息资本和组织资本,确保这些无形资产能够支持内部流程的优化和战略目标的达成。 绘制战略地图的六个步骤: 1. **确定股东价值差距**:识别与股东期望之间的差距。 2. **调整客户价值主张**:分析客户并调整策略以满足他们的需求。 3. **设定价值提升时间表**:规划各阶段的目标以逐步缩小差距。 4. **确定战略主题**:识别关键内部流程并设定目标。 5. **提升战略准备度**:评估并提升无形资产的战略准备度。 6. **制定行动方案**:根据战略地图制定具体行动计划,分配资源和预算。 战略地图的有效性主要取决于两个要素: 1. **KPI的数量及分布比例**:一个有效的战略地图通常包含20个左右的指标,且在四个视角之间有均衡的分布,如财务20%,客户20%,内部流程40%。 2. **KPI的性质比例**:指标应涵盖财务、客户、内部流程和学习与成长等各个方面,以全面反映组织的绩效。 战略地图不仅帮助管理层清晰传达战略意图,也使员工能更好地理解自己的工作如何对公司整体目标产生贡献,从而提高执行力和组织协同性。