目录
【实验目标】
1.对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果 请粘贴2种方法分类效果图 哪种效果更好 分析原因。
2.调整隐藏层大小 至少5种大小 观察不同大小隐藏层的模型的不同表现 请粘贴分类效果图 当隐藏层过大或过小时 会出现什么问题 并分析原因。
【实验目标】 建立具有隐藏层的完整神经网络善用非线性单位实现正向传播和反向传播 并训练神经网络了解不同隐藏层大小 包括过度拟合 的影响 【实验内容】利用具有1层隐藏层的神经网络分类红色和蓝色的花。参考1 和 参考2
【数据集介绍】2分类数据集flower 红色和蓝色点的“花”。使用X, Y planar_utils.load_planar_dataset()加载数据集 X为样本 共有400个 Y为样本对应的标签 0表示红色 1表示蓝色。
【代码要求】 定义模型结构 初始化模型的参数 循环 计算当前损失 前向传播 请使用Relu激活函数。 计算当前梯度 反向传播 更新参数 梯度下降 【文档要求】本次实验我采用jupyter notebook进行实验
1.对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果 请粘贴2种方法分类效果图 哪种效果更好 分析原因。逻辑回归的分类效果如下 
但是训练的准确性只有47% 可能是数据集不是线性可分的 所以逻辑回归表现不佳
数据集里面的数据有 400 个
第 0 次循环 成本为 0.6931475438458983
第 1000 次循环 成本为 0.6394767951130161
第 2000 次循环 成本为 0.6371669009459804
第 3000 次循环 成本为 0.6359841052167607
第 4000 次循环 成本为 0.635215112310812
第 5000 次循环 成本为 0.6346572327795306
第 6000 次循环 成本为 0.6342253541419587
第 7000 次循环 成本为 0.6338762776079157
第 8000 次循环 成本为 0.6335853339615207
第 9000 次循环 成本为 0.6333372278930688
准确率: 67%
经过对比可知 使用具有1层隐藏层神经网络的分类效果要优于逻辑回归。因为一般而言 logistic 回归并不能很好的区分开这个复杂的数据集
logistic回归只是一个线性分类器 神经网络因为有了激活函数的存在 成了一个非线性分类器 所以神经网络分类的边界更加复杂。对于复杂的分类问题效果更佳。
2.调整隐藏层大小 至少5种大小 观察不同大小隐藏层的模型的不同表现 请粘贴分类效果图 当隐藏层过大或过小时 会出现什么问题 并分析原因。我分别尝试调整隐藏层大小为1,2,3,4,5,10,20,50,100 得到实验结果如下所示
由实验结果可知 当神经网络的隐藏层较小时 该神经网络并没有将红蓝区域很好的划分开来 整个网络的非线性拟合能力较若 但效果还是比逻辑回归要优不少。当网隐藏层较大 网络节点变多之后 整体网络的复杂性提升 网络对于复杂非线性函数的拟合能力增强 但是随着节点数的不断增加 到一定程度之后 网络在学习过程中更易陷入局部极小点 而且会使网络的学习速度变得很慢 训练的时间不断增加 但是网络的准确率并没有太大提升 反而下降了 这证明梯度下降的时候没有达到损失的最小值点 而是陷入局部极小点 因此隐藏层不是越大越好 而是要找到一个恰当的值。
初学人工智能导论 可能存在错误之处 还请各位不吝赐教。
受于文本原因 本文相关实验工程无法展示出来 现已将资源上传 可自行下载。
山东大学人工智能导论实验4工程文件-利用神经网络分类红色和蓝色的花-深度学习文档类资源-CSDN下载山东大学人工智能导论实验4工程文件-利用神经网络分类红色和蓝色的花详解博客地址 https://b更多下载资源、学习资料请访问CSDN下载频道.
利用具有1层隐藏层的神经网络分类红色和蓝色的花。目标：建立具有隐藏层的完整神经网络 善用非线性单位 实现正向传播和反向传播，并训练神经网络 了解不同隐藏层大小（包括过度拟合）的影响 代码要求：定义模型结构 初始化模型的参数 循环 计算当前损失（前向传播），请使用Relu激活函数。 计算当前梯度（反向传播）更新参数（梯度下降） 文档要求：对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果（请粘贴2种方法分类效果图），哪种效果更好，分析原因。调整隐藏层大小（至少5种大小），观察不同大小隐藏层的模型的不同表现 复制链接
抵扣说明：
1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。
更多文章请关注《万象专栏》
转载请注明出处：https://www.wanxiangsucai.com/read/cv182443