聲明
首先聲明本文參考:https://blog.csdn.net/u013733326/article/details/79702148,我基於他的文章加以自己的理解發表這篇博客,力求理解吸收掌握吳恩達的視頻,如有不妥的地方歡迎大家指正。
前言
博主使用python版本3.7.0
我們要建立具有一個隱藏層的平面數據分類神經網絡。構建神經網絡的一般方法是:
- 定義神經網絡結構(輸入單元、隱藏單元、輸出單元數量等)
- 初始化模型的參數(w、b)
- 循環
- 實施前向傳播
- 計算損失
- 實現後向傳播
- 更新參數(梯度下降)
- 預測
準備軟件包
- numpy:是用Python進行科學計算的基本軟件包。
- sklearn:爲數據挖掘和數據分析提供的簡單高效的工具。
- matplotlib :是一個用於在Python中繪製圖表的庫。
- testCases:提供了一些測試示例來評估函數的正確性,參見下載的資料或者在底部查看它的代碼。
- planar_utils :提供了在這個任務中使用的各種有用的功能,參見下載的資料或者在底部查看它的代碼。
import numpy as np
import matplotlib.pyplot as plt
from testCases import *
import sklearn
import sklearn.datasets
import sklearn.linear_model
from planar_utils import plot_decision_boundary, sigmoid, load_planar_dataset, load_extra_datasets
#%matplotlib inline #如果你使用用的是Jupyter Notebook的話請取消註釋。
np.random.seed(1) #設置一個固定的隨機種子,以保證接下來的步驟中我們的結果是一致的。
加載和查看數據集
下面的代碼會將一個花的圖案的2類數據集加載到變量X和Y中。
X, Y = load_planar_dataset()
把數據集加載完成了,然後使用matplotlib可視化數據集,代碼如下:
t.scatter(X[0, :], X[1, :], c=Y, s=40, cmap=plt.cm.Spectral) #繪製散點圖
# 上一語句如出現問題,請使用下面的語句:
plt.scatter(X[0, :], X[1, :], c=np.squeeze(Y), s=40, cmap=plt.cm.Spectral) #繪製散點圖
數據看起來像一朵紅色(y = 0)和一些藍色(y = 1)的數據點的花朵的圖案。 我們的目標是建立一個模型來適應這些數據。現在,我們已經有了以下的東西:
- X:一個numpy的矩陣,包含了這些數據點的數值
- Y:一個numpy的向量,對應着的是X的標籤【0 | 1】(紅色:0 , 藍色 :1)
接下來我們仔細地看數據:
shape_X = X.shape
shape_Y = Y.shape
m = Y.shape[1] # 訓練集裏面的數量
print ("X的維度爲: " + str(shape_X))
print ("Y的維度爲: " + str(shape_Y))
print ("數據集裏面的數據有:" + str(m) + " 個")
運行結果爲:
X的維度爲: (2, 400)
Y的維度爲: (1, 400)
數據集裏面的數據有:400 個
搭建神經網絡
我們要搭建的神經網絡模型如下圖:
構建神經網絡的一般方法是:
- 定義神經網絡結構(輸入單元、隱藏單元、輸出單元數量等)
- 初始化模型的參數(w、b)
- 循環
- 實現前向傳播
- 計算損失
- 實現後向傳播
- 更新參數(梯度下降)
- 將上訴功能合併到一個nn_model()函數中,構建好了nn_model(),並學習了正確的參數,就可以預測新的數據。
定義神經網絡結構
在構建之前,我們要先把神經網絡的結構給定義好:
n_x: 輸入層的數量
n_h: 隱藏層的數量(這裏設置爲4)
n_y: 輸出層的數量
def layer_sizes(X , Y):
"""
參數:
X - 輸入數據集,維度爲(輸入的數量,訓練/測試的數量)
Y - 標籤,維度爲(輸出的數量,訓練/測試數量)
返回:
n_x - 輸入層的數量
n_h - 隱藏層的數量
n_y - 輸出層的數量
"""
n_x = X.shape[0] #輸入層
n_h = 4 #,隱藏層,硬編碼爲4
n_y = Y.shape[0] #輸出層
return (n_x,n_h,n_y)
#測試layer_sizes
print("=========================測試layer_sizes=========================")
X_asses , Y_asses = layer_sizes_test_case()
(n_x,n_h,n_y) = layer_sizes(X_asses,Y_asses)
print("輸入層的節點數量爲: n_x = " + str(n_x))
print("隱藏層的節點數量爲: n_h = " + str(n_h))
print("輸出層的節點數量爲: n_y = " + str(n_y))
=========================測試layer_sizes=========================
輸入層的節點數量爲: n_x = 5
隱藏層的節點數量爲: n_h = 4
輸出層的節點數量爲: n_y = 2
初始化模型的參數
在這裏,我們要實現函數initialize_parameters()。我們要確保我們的參數大小合適,如果需要的話,請參考上面的神經網絡圖。
我們將會用隨機值初始化權重矩陣。
-
np.random.randn(a,b)* 0.01來隨機初始化一個維度爲(a,b)的矩陣。
將偏向量初始化爲零。 -
np.zeros((a,b))用零初始化矩陣(a,b)。
def initialize_parameters( n_x , n_h ,n_y):
"""
參數:
n_x - 輸入層節點的數量
n_h - 隱藏層節點的數量
n_y - 輸出層節點的數量
返回:
parameters - 包含參數的字典:
W1 - 權重矩陣,維度爲(n_h,n_x)
b1 - 偏向量,維度爲(n_h,1)
W2 - 權重矩陣,維度爲(n_y,n_h)
b2 - 偏向量,維度爲(n_y,1)
"""
np.random.seed(2) #指定一個隨機種子,以便你的輸出與我們的一樣。
W1 = np.random.randn(n_h,n_x) * 0.01
b1 = np.zeros(shape=(n_h, 1))
W2 = np.random.randn(n_y,n_h) * 0.01
b2 = np.zeros(shape=(n_y, 1))
#使用斷言確保我的數據格式是正確的
assert(W1.shape == ( n_h , n_x ))
assert(b1.shape == ( n_h , 1 ))
assert(W2.shape == ( n_y , n_h ))
assert(b2.shape == ( n_y , 1 ))
parameters = {"W1" : W1,
"b1" : b1,
"W2" : W2,
"b2" : b2 }
return parameters
#測試initialize_parameters
print("=========================測試initialize_parameters=========================")
n_x , n_h , n_y = initialize_parameters_test_case()
parameters = initialize_parameters(n_x , n_h , n_y)
print("W1 = " + str(parameters["W1"]))
print("b1 = " + str(parameters["b1"]))
print("W2 = " + str(parameters["W2"]))
print("b2 = " + str(parameters["b2"]))
=========================測試initialize_parameters=========================
W1 = [[-0.00416758 -0.00056267]
[-0.02136196 0.01640271]
[-0.01793436 -0.00841747]
[ 0.00502881 -0.01245288]]
b1 = [[ 0.]
[ 0.]
[ 0.]
[ 0.]]
W2 = [[-0.01057952 -0.00909008 0.00551454 0.02292208]]
b2 = [[ 0.]]
實現前向傳播
我們現在要實現前向傳播函數forward_propagation()。
我們使用np.tanh()函數。
步驟如下:
- 使用字典類型的parameters(它是initialize_parameters() 的輸出)檢索每個參數。
- 實現向前傳播, 計算。
- 反向傳播所需的值存儲在“cache”中,cache將作爲反向傳播函數的輸入。
def forward_propagation( X , parameters ):
"""
參數:
X - 維度爲(n_x,m)的輸入數據。
parameters - 初始化函數(initialize_parameters)的輸出
返回:
A2 - 使用sigmoid()函數計算的第二次激活後的數值
cache - 包含“Z1”,“A1”,“Z2”和“A2”的字典類型變量
"""
W1 = parameters["W1"]
b1 = parameters["b1"]
W2 = parameters["W2"]
b2 = parameters["b2"]
#前向傳播計算A2
Z1 = np.dot(W1 , X) + b1
A1 = np.tanh(Z1)
Z2 = np.dot(W2 , A1) + b2
A2 = sigmoid(Z2)
#使用斷言確保我的數據格式是正確的
assert(A2.shape == (1,X.shape[1]))
cache = {"Z1": Z1,
"A1": A1,
"Z2": Z2,
"A2": A2}
return (A2, cache)
#測試forward_propagation
print("=========================測試forward_propagation=========================")
X_assess, parameters = forward_propagation_test_case()
A2, cache = forward_propagation(X_assess, parameters)
print(np.mean(cache["Z1"]), np.mean(cache["A1"]), np.mean(cache["Z2"]), np.mean(cache["A2"]))
=========================測試forward_propagation=========================
-0.000499755777742 -0.000496963353232 0.000438187450959 0.500109546852
現在我們已經計算了現在我們就可以構建成本函數了。
計算損失
計算成本的公式如下:
def compute_cost(A2,Y,parameters):
"""
計算方程(6)中給出的交叉熵成本,
參數:
A2 - 使用sigmoid()函數計算的第二次激活後的數值
Y - "True"標籤向量,維度爲(1,數量)
parameters - 一個包含W1,B1,W2和B2的字典類型的變量
返回:
成本 - 交叉熵成本給出方程(13)
"""
m = Y.shape[1]
#計算成本
cost = float(-(np.sum(Y*np.log(A2)+(1-Y)*np.log(1-A2)))/m)
assert(isinstance(cost,float))
return cost
#測試compute_cost
print("=========================測試compute_cost=========================")
A2 , Y_assess , parameters = compute_cost_test_case()
print("cost = " + str(compute_cost(A2,Y_assess,parameters)))
=========================測試compute_cost=========================
cost = 0.6929198937761266
使用正向傳播期間計算的cache,現在可以利用它實現反向傳播。
現在我們要開始實現函數backward_propagation()。
實現後向傳播
構建向量化實現,需要使用這下面的六個方程:
爲了計算dZ1,需要計算是tanh函數,若,那麼。所以我們需要使用(1-np.power(A1,2))來計算。
def backward_propagation(parameters,cache,X,Y):
"""
使用上述說明搭建反向傳播函數。
參數:
parameters - 包含我們的參數的一個字典類型的變量。
cache - 包含“Z1”,“A1”,“Z2”和“A2”的字典類型的變量。
X - 輸入數據,維度爲(2,數量)
Y - “True”標籤,維度爲(1,數量)
返回:
grads - 包含W和b的導數一個字典類型的變量。
"""
m = X.shape[1]
W1 = parameters["W1"]
W2 = parameters["W2"]
A1 = cache["A1"]
A2 = cache["A2"]
dZ2= A2 - Y
dW2 = (1 / m) * np.dot(dZ2, A1.T)
db2 = (1 / m) * np.sum(dZ2, axis=1, keepdims=True)
dZ1 = np.multiply(np.dot(W2.T, dZ2), 1 - np.power(A1, 2))
dW1 = (1 / m) * np.dot(dZ1, X.T)
db1 = (1 / m) * np.sum(dZ1, axis=1, keepdims=True)
grads = {"dW1": dW1,
"db1": db1,
"dW2": dW2,
"db2": db2 }
return grads
#測試backward_propagation
print("=========================測試backward_propagation=========================")
parameters, cache, X_assess, Y_assess = backward_propagation_test_case()
grads = backward_propagation(parameters, cache, X_assess, Y_assess)
print ("dW1 = "+ str(grads["dW1"]))
print ("db1 = "+ str(grads["db1"]))
print ("dW2 = "+ str(grads["dW2"]))
print ("db2 = "+ str(grads["db2"]))
=========================測試backward_propagation=========================
dW1 = [[ 0.01018708 -0.00708701]
[ 0.00873447 -0.0060768 ]
[-0.00530847 0.00369379]
[-0.02206365 0.01535126]]
db1 = [[-0.00069728]
[-0.00060606]
[ 0.000364 ]
[ 0.00151207]]
dW2 = [[ 0.00363613 0.03153604 0.01162914 -0.01318316]]
db2 = [[ 0.06589489]]
更新參數
我們需要使用(dW1, db1, dW2, db2)來更新(W1, b1, W2, b2)。需要用到:
- :學習速率。
def update_parameters(parameters,grads,learning_rate=1.2):
"""
使用上面給出的梯度下降更新規則更新參數
參數:
parameters - 包含參數的字典類型的變量。
grads - 包含導數值的字典類型的變量。
learning_rate - 學習速率
返回:
parameters - 包含更新參數的字典類型的變量。
"""
W1,W2 = parameters["W1"],parameters["W2"]
b1,b2 = parameters["b1"],parameters["b2"]
dW1,dW2 = grads["dW1"],grads["dW2"]
db1,db2 = grads["db1"],grads["db2"]
W1 = W1 - learning_rate * dW1
b1 = b1 - learning_rate * db1
W2 = W2 - learning_rate * dW2
b2 = b2 - learning_rate * db2
parameters = {"W1": W1,
"b1": b1,
"W2": W2,
"b2": b2}
return parameters
#測試update_parameters
print("=========================測試update_parameters=========================")
parameters, grads = update_parameters_test_case()
parameters = update_parameters(parameters, grads)
print("W1 = " + str(parameters["W1"]))
print("b1 = " + str(parameters["b1"]))
print("W2 = " + str(parameters["W2"]))
print("b2 = " + str(parameters["b2"]))
=========================測試update_parameters=========================
W1 = [[-0.00643025 0.01936718]
[-0.02410458 0.03978052]
[-0.01653973 -0.02096177]
[ 0.01046864 -0.05990141]]
b1 = [[ -1.02420756e-06]
[ 1.27373948e-05]
[ 8.32996807e-07]
[ -3.20136836e-06]]
W2 = [[-0.01041081 -0.04463285 0.01758031 0.04747113]]
b2 = [[ 0.00010457]]
整合
把上面的東西整合到nn_model()中,神經網絡模型必須以正確的順序使用先前的功能。
def nn_model(X,Y,n_h,num_iterations,print_cost=False):
"""
參數:
X - 數據集,維度爲(2,示例數)
Y - 標籤,維度爲(1,示例數)
n_h - 隱藏層的數量
num_iterations - 梯度下降循環中的迭代次數
print_cost - 如果爲True,則每1000次迭代打印一次成本數值
返回:
parameters - 模型學習的參數,它們可以用來進行預測。
"""
np.random.seed(3) #指定隨機種子
n_x = layer_sizes(X, Y)[0]
n_y = layer_sizes(X, Y)[2]
parameters = initialize_parameters(n_x,n_h,n_y)
W1 = parameters["W1"]
b1 = parameters["b1"]
W2 = parameters["W2"]
b2 = parameters["b2"]
for i in range(num_iterations):
A2 , cache = forward_propagation(X,parameters)
cost = compute_cost(A2,Y,parameters)
grads = backward_propagation(parameters,cache,X,Y)
parameters = update_parameters(parameters,grads,learning_rate = 0.5)
if print_cost:
if i%1000 == 0:
print("第 ",i," 次循環,成本爲:"+str(cost))
return parameters
#測試nn_model
print("=========================測試nn_model=========================")
X_assess, Y_assess = nn_model_test_case()
parameters = nn_model(X_assess, Y_assess, 4, num_iterations=10000, print_cost=False)
print("W1 = " + str(parameters["W1"]))
print("b1 = " + str(parameters["b1"]))
print("W2 = " + str(parameters["W2"]))
print("b2 = " + str(parameters["b2"]))
=========================測試nn_model=========================
W1 = [[-4.18494482 5.33220319]
[-7.52989354 1.24306197]
[-4.19295428 5.32631786]
[ 7.52983748 -1.24309404]]
b1 = [[ 2.32926815]
[ 3.7945905 ]
[ 2.33002544]
[-3.79468791]]
W2 = [[-6033.83672179 -6008.12981272 -6033.10095329 6008.06636901]]
b2 = [[-52.66607704]]
預測
構建predict()來使用模型進行預測, 使用向前傳播來預測結果。
def predict(parameters,X):
"""
使用學習的參數,爲X中的每個示例預測一個類
參數:
parameters - 包含參數的字典類型的變量。
X - 輸入數據(n_x,m)
返回
predictions - 我們模型預測的向量(紅色:0 /藍色:1)
"""
A2 , cache = forward_propagation(X,parameters)
predictions = np.round(A2)
return predictions
#測試predict
print("=========================測試predict=========================")
parameters, X_assess = predict_test_case()
predictions = predict(parameters, X_assess)
print("預測的平均值 = " + str(np.mean(predictions)))
=========================測試predict=========================
預測的平均值 = 0.666666666667
試運行
parameters = nn_model(X, Y, n_h = 4, num_iterations=10000, print_cost=True)
predictions = predict(parameters, X)
print ('準確率: %d' % float((np.dot(Y, predictions.T) + np.dot(1 - Y, 1 - predictions.T)) / float(Y.size) * 100) + '%')
#繪製邊界
#plot_decision_boundary(lambda x: predict(parameters, x.T), X, Y)
#plt.title("Decision Boundary for hidden layer size " + str(4))
第 0 次循環,成本爲:0.6930480201239823
第 1000 次循環,成本爲:0.28808329356901835
第 2000 次循環,成本爲:0.25438549407324496
第 3000 次循環,成本爲:0.23386415038952196
第 4000 次循環,成本爲:0.22679248744854008
第 5000 次循環,成本爲:0.22264427549299015
第 6000 次循環,成本爲:0.21973140404281316
第 7000 次循環,成本爲:0.21750365405131294
第 8000 次循環,成本爲:0.21950396469467315
第 9000 次循環,成本爲:0.2185709575018246
準確率: 90%
完整代碼
import numpy as np
import matplotlib.pyplot as plt
from testCases import *
import sklearn
import sklearn.datasets
import sklearn.linear_model
from planar_utils import plot_decision_boundary, sigmoid, load_planar_dataset, load_extra_datasets
#%matplotlib inline #如果你使用用的是Jupyter Notebook的話請取消註釋。
np.random.seed(1) #設置一個固定的隨機種子,以保證接下來的步驟中我們的結果是一致的。
X, Y = load_planar_dataset()
#plt.scatter(X[0, :], X[1, :], c=Y, s=40, cmap=plt.cm.Spectral) #繪製散點圖
shape_X = X.shape
shape_Y = Y.shape
m = Y.shape[1] # 訓練集裏面的數量
print ("X的維度爲: " + str(shape_X))
print ("Y的維度爲: " + str(shape_Y))
print ("數據集裏面的數據有:" + str(m) + " 個")
def layer_sizes(X , Y):
"""
參數:
X - 輸入數據集,維度爲(輸入的數量,訓練/測試的數量)
Y - 標籤,維度爲(輸出的數量,訓練/測試數量)
返回:
n_x - 輸入層的數量
n_h - 隱藏層的數量
n_y - 輸出層的數量
"""
n_x = X.shape[0] #輸入層
n_h = 4 #,隱藏層,硬編碼爲4
n_y = Y.shape[0] #輸出層
return (n_x,n_h,n_y)
def initialize_parameters( n_x , n_h ,n_y):
"""
參數:
n_x - 輸入節點的數量
n_h - 隱藏層節點的數量
n_y - 輸出層節點的數量
返回:
parameters - 包含參數的字典:
W1 - 權重矩陣,維度爲(n_h,n_x)
b1 - 偏向量,維度爲(n_h,1)
W2 - 權重矩陣,維度爲(n_y,n_h)
b2 - 偏向量,維度爲(n_y,1)
"""
np.random.seed(2) #指定一個隨機種子,以便你的輸出與我們的一樣。
W1 = np.random.randn(n_h,n_x) * 0.01
b1 = np.zeros(shape=(n_h, 1))
W2 = np.random.randn(n_y,n_h) * 0.01
b2 = np.zeros(shape=(n_y, 1))
#使用斷言確保我的數據格式是正確的
assert(W1.shape == ( n_h , n_x ))
assert(b1.shape == ( n_h , 1 ))
assert(W2.shape == ( n_y , n_h ))
assert(b2.shape == ( n_y , 1 ))
parameters = {"W1" : W1,
"b1" : b1,
"W2" : W2,
"b2" : b2 }
return parameters
def forward_propagation( X , parameters ):
"""
參數:
X - 維度爲(n_x,m)的輸入數據。
parameters - 初始化函數(initialize_parameters)的輸出
返回:
A2 - 使用sigmoid()函數計算的第二次激活後的數值
cache - 包含“Z1”,“A1”,“Z2”和“A2”的字典類型變量
"""
W1 = parameters["W1"]
b1 = parameters["b1"]
W2 = parameters["W2"]
b2 = parameters["b2"]
#前向傳播計算A2
Z1 = np.dot(W1 , X) + b1
A1 = np.tanh(Z1)
Z2 = np.dot(W2 , A1) + b2
A2 = sigmoid(Z2)
#使用斷言確保我的數據格式是正確的
assert(A2.shape == (1,X.shape[1]))
cache = {"Z1": Z1,
"A1": A1,
"Z2": Z2,
"A2": A2}
return (A2, cache)
def compute_cost(A2,Y,parameters):
"""
計算方程(6)中給出的交叉熵成本,
參數:
A2 - 使用sigmoid()函數計算的第二次激活後的數值
Y - "True"標籤向量,維度爲(1,數量)
parameters - 一個包含W1,B1,W2和B2的字典類型的變量
返回:
成本 - 交叉熵成本給出方程(13)
"""
m = Y.shape[1]
W1 = parameters["W1"]
W2 = parameters["W2"]
#計算成本
logprobs = logprobs = np.multiply(np.log(A2), Y) + np.multiply((1 - Y), np.log(1 - A2))
cost = - np.sum(logprobs) / m
cost = float(np.squeeze(cost))
assert(isinstance(cost,float))
return cost
def backward_propagation(parameters,cache,X,Y):
"""
使用上述說明搭建反向傳播函數。
參數:
parameters - 包含我們的參數的一個字典類型的變量。
cache - 包含“Z1”,“A1”,“Z2”和“A2”的字典類型的變量。
X - 輸入數據,維度爲(2,數量)
Y - “True”標籤,維度爲(1,數量)
返回:
grads - 包含W和b的導數一個字典類型的變量。
"""
m = X.shape[1]
W1 = parameters["W1"]
W2 = parameters["W2"]
A1 = cache["A1"]
A2 = cache["A2"]
dZ2= A2 - Y
dW2 = (1 / m) * np.dot(dZ2, A1.T)
db2 = (1 / m) * np.sum(dZ2, axis=1, keepdims=True)
dZ1 = np.multiply(np.dot(W2.T, dZ2), 1 - np.power(A1, 2))
dW1 = (1 / m) * np.dot(dZ1, X.T)
db1 = (1 / m) * np.sum(dZ1, axis=1, keepdims=True)
grads = {"dW1": dW1,
"db1": db1,
"dW2": dW2,
"db2": db2 }
return grads
def update_parameters(parameters,grads,learning_rate=1.2):
"""
使用上面給出的梯度下降更新規則更新參數
參數:
parameters - 包含參數的字典類型的變量。
grads - 包含導數值的字典類型的變量。
learning_rate - 學習速率
返回:
parameters - 包含更新參數的字典類型的變量。
"""
W1,W2 = parameters["W1"],parameters["W2"]
b1,b2 = parameters["b1"],parameters["b2"]
dW1,dW2 = grads["dW1"],grads["dW2"]
db1,db2 = grads["db1"],grads["db2"]
W1 = W1 - learning_rate * dW1
b1 = b1 - learning_rate * db1
W2 = W2 - learning_rate * dW2
b2 = b2 - learning_rate * db2
parameters = {"W1": W1,
"b1": b1,
"W2": W2,
"b2": b2}
return parameters
def nn_model(X,Y,n_h,num_iterations,print_cost=False):
"""
參數:
X - 數據集,維度爲(2,示例數)
Y - 標籤,維度爲(1,示例數)
n_h - 隱藏層的數量
num_iterations - 梯度下降循環中的迭代次數
print_cost - 如果爲True,則每1000次迭代打印一次成本數值
返回:
parameters - 模型學習的參數,它們可以用來進行預測。
"""
np.random.seed(3) #指定隨機種子
n_x = layer_sizes(X, Y)[0]
n_y = layer_sizes(X, Y)[2]
parameters = initialize_parameters(n_x,n_h,n_y)
W1 = parameters["W1"]
b1 = parameters["b1"]
W2 = parameters["W2"]
b2 = parameters["b2"]
for i in range(num_iterations):
A2 , cache = forward_propagation(X,parameters)
cost = compute_cost(A2,Y,parameters)
grads = backward_propagation(parameters,cache,X,Y)
parameters = update_parameters(parameters,grads,learning_rate = 0.5)
if print_cost:
if i%1000 == 0:
print("第 ",i," 次循環,成本爲:"+str(cost))
return parameters
def predict(parameters,X):
"""
使用學習的參數,爲X中的每個示例預測一個類
參數:
parameters - 包含參數的字典類型的變量。
X - 輸入數據(n_x,m)
返回
predictions - 我們模型預測的向量(紅色:0 /藍色:1)
"""
A2 , cache = forward_propagation(X,parameters)
predictions = np.round(A2)
return predictions
parameters = nn_model(X, Y, n_h = 4, num_iterations=10000, print_cost=True)
#繪製邊界
#plot_decision_boundary(lambda x: predict(parameters, x.T), X, Y)
#plt.title("Decision Boundary for hidden layer size " + str(4))
predictions = predict(parameters, X)
print ('準確率: %d' % float((np.dot(Y, predictions.T) + np.dot(1 - Y, 1 - predictions.T)) / float(Y.size) * 100) + '%')