guilhermefgs

def randomInit(input_layer_size, hidden_layer_size, num_labels):
  # Parâmetros da primeira camada (incluindo bias)
  # As matrizes têm formato (num_entradas, num_saidas)
  size1 = (hidden_layer_size, input_layer_size+1)
  theta1_ini = np.random.normal(0, .1, size=size1)

  # Parâmetros da primeira camada (incluindo bias)
  size2 = (num_labels, hidden_layer_size+1)
  theta2_ini = np.random.normal(0, .1, size=size2)

guilhermefgs

# Mudando o formato das entradas para que cada imagem seja uma lista, ao invés de uma matriz
x_train = x_train.reshape(x_train.shape[0], 28*28)
x_test = x_test.reshape(x_test.shape[0], 28*28)

# Converte os valores para float, para que eles possam ter parte decimal.
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')

# Divide pelo valor RGB máximo, para que a entrada tenha valores entre 0 e 1.
x_train /= 255

guilhermefgs

# Cada linha da matriz identidade corresponde a uma das labels
mapping = np.identity(10, dtype=int)

y_train_classif = y_train
y_test_classif = y_test

y_train = np.array([mapping[y] for y in y_train])
y_test = np.array([mapping[y] for y in y_test])

print(y_train_classif[0], y_train[0])

guilhermefgs

def sigmoid(z):
    return 1/(1 + np.exp(-z))
    
def sigmoidGrad(z):
    return (sigmoid(z))*(1-sigmoid(z))

guilhermefgs

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

guilhermefgs

# MATPLOTLIB

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

# lê o arquivo (note que em matplotlib deve ser em png)
img = mpimg.imaread('<nome_do_arquivo>.png')
print(img)
imgplot = plt.imshow(img) # mostra a imagem

guilhermefgs

guilhermefgs

guilhermefgs

guilhermefgs