def accuracy(X, parametros, y, activacion="relu"):
probs, caches = feed_foward_model(X, parametros, activacion)
labels = (probs >= 0.5) * 1
accuracy = np.mean(labels == y) * 100
return accuracy
def gradiente_aprendisaje(X,
y,
dimensiones,
curvaaprendisaje=0.01,
num_iterations=200,
print_costo=True,
theta="relu",
initialization_method="he"):
np.random.seed(1)
costo_list = []
if initialization_method == "zeros":
parametros = inicializar_parametros_cero(dimensiones)
elif initialization_method == "random":
parametros = initialize_parameters_random(dimensiones)
else:
parametros = inicializar_parametros_2(dimensiones,
initialization_method)
for i in range(num_iterations):
AL, caches = feed_foward_model(X, parametros, theta)
costo = obtener_costo(AL, y)
grados = modelo_backpropagation(AL, y, caches, theta)
parametros = update_parametros(parametros, grados, curvaaprendisaje)
if (i + 1) % 100 == 0 and print_costo:
print(f"{i + 1} : {costo:.4f}")
if i % 100 == 0:
costo_list.append(costo)
return parametros