一、环境准备

1.将下载的Anaconda与pycharm关联：

（1）点击File->Setting（2）选择Project：codes->Python Interpreter（3）添加已经安装的Anaconda环境（4）路径参考如下

2.准备需要的文件
在pycharm中新建的工程中，添加两个需要存放数据的文件夹
datasets和images文件夹：

datasets：存放训练集和测试集h5照片，是这里的内容h5训练集
将里面的内容复制到此文件夹中
images:存放需要测试的照片，例：

二、代码编写

1.需要导入的库

import numpy as np  # 加载numpy工具库并给它取个别名为np，后面就可以通过np来调用numpy工具库里面的函数了。numpy是python的一个科学计算工具库，
# 除了前面文章中提到的它可以用来进行向量化之外，它还有很多常用的功能。非常非常常用的一个工具库！
import matplotlib.pyplot as plt  # 这个库是用来画图的

import h5py  # 这个库是用来加载训练数据集的。我们数据集的保存格式是HDF。Hierarchical Data Format(HDF)是一种针对大量数据进行组织和存储的
#  文件格式,大数据行业和人工智能行业都用它来保存数据。
import skimage.transform as tf  # 这里我们用它来缩放图片

2.定义的函数
（1）load_dataset：载入训练集、测试集样本的特征值和标签

# 载入训练集、测试集样本的特征值和标签
def load_dataset():
    train_dataset = h5py.File('../datasets/train_catvnoncat.h5', "r")  # 打开训练集的h5文件
    train_set_x_orig = np.array(train_dataset["train_set_x"][:])  # 打开训练集中的特征值
    train_set_y_orig = np.array(train_dataset["train_set_y"][:])  # 打开训练集中的标签

    test_dataset = h5py.File('../datasets/test_catvnoncat.h5', "r")  # 打开测试集的h5文件
    test_set_x_orig = np.array(test_dataset["test_set_x"][:])  # 打开测试集中的特征值
    test_set_y_orig = np.array(test_dataset["test_set_y"][:])  # 打开测试集中的标签

    classes = np.array(test_dataset["list_classes"][:])  # 打开测试集中的标签类别数据，这里的类别只有两种，1代表有猫，0代表无猫

    # 对训练集、测试集中的标签进行维度变换
    train_set_y_orig = train_set_y_orig.reshape((1, train_set_y_orig.shape[0]))
    test_set_y_orig = test_set_y_orig.reshape((1, test_set_y_orig.shape[0]))
    return train_set_x_orig, train_set_y_orig, test_set_x_orig, test_set_y_orig, classes

（2）sigmoid：激活函数

# sigmoid函数
def sigmoid(z):
    a = 1 / (1 + np.exp(-z))
    return a

（3）init_zero：初始化权重w以及阈值b函数

# 初始化权重w以及阈值b函数
def init_zero(w_size):
    """
        参数说明:
            w_size:w的大小，即有多少权重
        返回值：
            w：返回的权重矩阵
            b：阈值
    """
    w = np.zeros((w_size, 1))
    b = 0.
    return w, b

（4）propagate:前向传播和传播求得dw,db,cost，为梯度下降做准备

# 前向传播，计算出dw,db,cost
def propagate(w, b, X, Y):
    """
    :param w:权重矩阵
    :param b: 阈值
    :param X: 样本矩阵
    :param Y: 标签
    :return: dw,db,cost
    """
    m = X.shape[1]  # m为样本的总数量
    A = sigmoid(np.dot(w.T, X) + b)
    cost = -np.sum(Y * np.log(A) + (1 - Y) * np.log(1 - A)) / m
    dZ = A - Y
    dw = np.dot(X, dZ.T) / m
    db = np.sum(dZ) / m

    # dw,db保存到字典中
    grands = {
        "dw": dw,
        "db": db
    }
    return grands, cost

（5）optimize：梯段下降算法，不断的优化w,b使得cost最小

# 梯段下降算法，优化w,b
def optimize(w, b, X, Y, optimize_times, learning_rate, print_cost=False):
    """
    :param w: 权重矩阵
    :param b: 阈值
    :param X: 样本矩阵
    :param Y: 标签矩阵
    :param optimize_times:优化次数
    :param learning_rate: 学习率：w = w'-learning_rate*dw
    :param print_cost:为True时，每优化100次就把成本cost打印出来,以便我们观察成本的变化
    :return:params:优化后w,b
            costs:每优化100次，将成本记录下来，成本越小，表示参数越优化
    """
    costs = []  # 用来记录花费的列表
    for i in range(optimize_times):
        grads, cost = propagate(w, b, X, Y)
        # 从propagate返回的字典中得到db,dw
        db = grads["db"]
        dw = grads["dw"]
        # 梯度下降优化w,b
        w = w - learning_rate * dw
        b = b - learning_rate * db

        if i % 100 == 0:
            costs.append(cost)
            if print_cost:
                print("优化%i次后的成本是:%f" % (i, cost))
    params = {
        "w": w,
        "b": b
    }
    return params, costs

（6）predict：预测函数，利用优化后的w,b进行预测

# 预测函数，利用优化后的w,b进行预测
def predict(w, b, X):
    """
    :param w:优化后的权重w
    :param b: 优化好的阈值b
    :param X: 要进行预测的样本
    :return: Y_prediction -- 对每张图片的预测结果
    """
    m = X.shape[1]  # 输入的样本数量
    Y_prediction = np.zeros((1, m))  # 存储对每一个样本预测的标签,并初始化为0
    A = sigmoid(np.dot(w.T, X) + b)  # 对样本的预测概率，A中的每一个值是对每一个样本预测概率值为小数

    for i in range(m):
        if A[0, i] >= 0.5:
            Y_prediction[0, i] = 1
    return Y_prediction

（7）model：神经网络模型函数

# 神经网络模型函数
def model(train_X, train_Y, test_X, test_Y, optimize_times, learning_rate, print_cost):
    """
    :param train_X: 训练集特征值 (12288,209)
    :param train_Y:训练集标签(1,209)
    :param test_X: 测试集特征值(12288,50)
    :param test_Y:测试集标签(1,50)
    :param optimize_times:优化次数
    :param learning_rate:学习率
    :param print_cost:是否打印花费
    :return:训练后返回的信息
    """
    # 初始化训练集w,b
    w, b = init_zero(train_X.shape[0])
    optimized_params, costs = optimize(w, b, train_X, train_Y, optimize_times, learning_rate, print_cost)
    opt_w = optimized_params["w"]
    opt_b = optimized_params["b"]
    # 用优化好的参数w,b进行预测
    train_Y_prediction = predict(opt_w, opt_b, train_X)  # 对训练集中的样本进行预测
    test_Y_prediction = predict(opt_w, opt_b, test_X)  # 对训练集中的样本进行预测

    # 输出预测的准确率
    print("对训练图片的预测准确率为: {}%".format(100 - np.mean(np.abs(train_Y_prediction - train_Y)) * 100))
    print("对测试图片的预测准确率为: {}%".format(100 - np.mean(np.abs(test_Y_prediction - test_Y)) * 100))

    d = {
        "costs": costs,
        "test_Y_prediction": test_Y_prediction,
        "train_Y_prediction": train_Y_prediction,
        ""
        "w": opt_w,
        "b": opt_b,
        "learning_rate": learning_rate,
        "optimize_times": optimize_times
    }
    return d

（8）一些输出图片的函数

# 做cost随着优化次数的图
def paint_costs(costs_in):
    """
    :param costs_in: 传入的花费数组
    :return:
    """
    plt.plot(costs_in)
    plt.ylabel('cost')  # 成本
    plt.xlabel('iterations (per hundreds)')  # 横坐标为训练次数，以100为单位
    plt.title("Learning rate =" + str(d["learning_rate"]))
    plt.show()


# 比较不同学习率对花费的不同效果
def paint_learning_rates_costs():
    learning_rates = [0.01, 0.001, 0.0001]
    models = {}
    for i in learning_rates:
        print("当学习率是" + str(i) + "时")
        models[str(i)] = model(train_set_x, train_set_y, test_set_x, test_set_y, 2000, i, False)
        print('\n' + "-------------------------------------------------------" + '\n')

    for i in learning_rates:
        plt.plot(models[str(i)]["costs"], label=str(models[str(i)]["learning_rate"]))

    plt.ylabel('cost')
    plt.xlabel('iterations (hundreds)')

    """"
    plt.legend()的作用：
    在plt.plot() 定义后plt.legend() 会显示该 label 的内容，否则会报error: No handles with labels
    """
    legend = plt.legend(loc='upper center', shadow=True)
    """"
    frame :画框架
    """
    frame = legend.get_frame()
    frame.set_facecolor('0.9')
    plt.show()


# 测试自己图片是否为猫
def predict_self_picture(file_path, w, b):
    """
    :param file_path: 传入的图片
    :param w:优化后的w
    :param b:优化后的b
    :return:
    """
    image = np.array(plt.imread(file_path))
    my_image = tf.resize(image, (64, 64), mode='reflect').reshape((1, 64 * 64 * 3)).T
    my_predicted_image = predict(w, b, my_image)
    plt.imshow(image)
    plt.show()
    ret = int(my_predicted_image)
    return ret  # 0 ：是猫 1：不是猫

3.代码实现：
注：需将上述函数定义在前面

train_set_x_orig, train_set_y, test_set_x_orig, test_set_y, classes = load_dataset()
# 将训练集与测试集的样本进行数据扁平化，与转秩，处理后的矩阵为12288*209与12288*50
train_set_x_flatten = train_set_x_orig.reshape(train_set_x_orig.shape[0], -1).T
test_set_x_flatten = test_set_x_orig.reshape(test_set_x_orig.shape[0], -1).T
# 将训练集与测试集的每个特征值/255 将每个特征值缩放到0~1之间(特征值存放的是每一个像素大小，像素范围是0~255)
train_set_x = train_set_x_flatten / 255
test_set_x = test_set_x_flatten / 255
d = model(train_set_x, train_set_y, test_set_x, test_set_y, 2000, 0.002, True)
# 画出花费cost 随着优化次数的变化
paint_costs(np.squeeze(d["costs"]))  # np.squeeze(d["costs"])将返回的字典中的花费一项提出并保存为列表

# 比较不同学习率对花费的不同效果
paint_learning_rates_costs()

# 测试自己的图片是不是猫
my_image = "my_image3.jpg"
file_name = "../images/" + my_image
ret = predict_self_picture(file_name, d["w"], d["b"])
if ret == 1:
    print("预测结果是猫")
else:
    print("预测结果不是猫")

4.运行结果
cost随着优化次数变化的图

比较不同学习率对花费的不同效果


且成功预测传入的照片为猫