[PYTHON] In 100 Tagen sind Sie Ingenieur. ――Tag 85 ――Programmieren ――Über maschinelles Lernen 10

Klicken Sie hier bis gestern

Diesmal die Fortsetzung der Geschichte über maschinelles Lernen Eine Implementierung von Deep Learning.

Über tiefes Lernen

Ich hoffe, Sie können das letzte Mal für eine kleine Erklärung sehen.

Grob gesagt handelt es sich bei "Deep Learning" um ein "neuronales Netzwerk" Es hat zwei oder mehr Zwischenschichten.

Es gibt auch eine "neuronale Netzwerk" -Bibliothek in Scikit-Learn.

Der Code zur Klassifizierung von Ayame kann wie folgt implementiert werden:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier

iris = load_iris()
X = iris.data
Y = iris.target
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.3, random_state=0)
clf = MLPClassifier(solver="sgd",random_state=0,max_iter=10000)
clf.fit(x_train, y_train)

print (clf.score(x_test, y_test))

0.9555555555555556

Beim tiefen Lernen dieses neuronale Netz Der Punkt ist, wie man zusammenbaut.

Daher gibt es einige dedizierte Bibliotheken.

Über die Deep-Learning-Bibliothek

Die aktuelle Mainstream-Deep-Learning-Bibliothek ist TensorFlow: Von Google entwickelte Bibliothek Keras: Entwickelt, um auf anderen Deep-Learning-Bibliotheken wie TensorFlow und Theano zu arbeiten Pytorch: Viele Forscher implementieren und veröffentlichen den Inhalt ihrer neuesten Arbeiten in PyTorch.

Kann erwähnt werden. Ich denke, dass die Anzahl der Beispiele für "Pytorch" in letzter Zeit relativ zugenommen hat, aber wenn Sie diese drei Verwendungen unterdrücken Ich denke es ist gut.

Implementieren Sie Deep Learning mit Keras

Lassen Sie uns Deep Learning mit Keras implementieren. Weil Sie installieren müssen, um "Keras" zu verwenden Lassen Sie es uns mit TensorFlow installieren.

Führen Sie es nach der Installation aus. Bereiten Sie zuerst die Daten vor.

Trennen Sie die Daten für Training und Test.

import numpy as np
from sklearn.model_selection import train_test_split as split
from sklearn import datasets

iris = datasets.load_iris()
x_train, x_test, y_train, y_test = split(iris.data,iris.target,train_size=0.8,test_size=0.2)

Damit haben wir die Daten für das Ende vorbereitet.

Erstellen Sie als Nächstes ein neuronales Netzwerk. Laden Sie zunächst die erforderlichen Bibliotheken.

Nach dem Laden des Modells fügen wir dort die Struktur hinzu. Dieses Mal werde ich ein Modell mit 32 Zwischenschichten bauen.

Geben Sie zunächst 32 Neuronen in der mittleren Schicht und 4 Neuronen in der Eingabeebene an. Geben Sie für jede Zwischenschicht die ReLU-Funktion als Aktivierungsfunktion an.

Geben Sie 3 Ausgabeebenen an und wenden Sie die Softmax-Funktion auf die Aktivierungsfunktion an

from keras.models import Sequential
from keras.layers import Dense,Activation
 
#Erstellen eines Modells zur Verwendung in einem neutralen Netzwerk
model = Sequential()
model.add(Dense(32, activation = 'relu' , input_dim=4))
model.add(Dense( 3, activation = 'softmax'))
model.compile(loss='sparse_categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])
 
#Ausführung lernen
model.fit(x_train,y_train,epochs=100)

Dies ist das Ende des Lernens. Leistung ist ...

#Evaluierungsausführung
score = model.evaluate(x_test,y_test,batch_size = 1)
print(score[1])

30/30 [==============================] - 0s 886us/step 0.9666666388511658

Ist es nicht ziemlich gut?

Lassen Sie uns eine Vorhersage machen. Konvertiert den Indexwert des größten Werts in den vorhergesagten Wert.

#Prognose
predicts = model.predict(x_test)
print(predicts)

#Nehmen Sie den Indexwert des größten Wertes
predict = [p.argmax()  for p in predicts]

[[1.1208696e-01 6.7907917e-01 2.0883384e-01] [2.8818967e-03 2.8327599e-01 7.1384215e-01] [9.5001817e-01 4.9240895e-02 7.4097671e-04] [7.4494570e-03 5.3676081e-01 4.5578974e-01] [4.5553190e-03 4.4827569e-01 5.4716897e-01] [9.0425771e-01 9.3258828e-02 2.4834664e-03] [9.8394436e-01 1.5963007e-02 9.2610091e-05] [9.3106699e-01 6.7388512e-02 1.5446048e-03] [2.9033832e-03 3.8279051e-01 6.1430609e-01] [7.6781757e-02 7.3785144e-01 1.8536681e-01] [9.0473723e-01 9.2504598e-02 2.7581297e-03] [2.3145874e-03 2.9854658e-01 6.9913888e-01] [1.1571125e-03 2.1894032e-01 7.7990258e-01] [3.8370032e-02 5.8638370e-01 3.7524620e-01] [1.8353970e-03 3.2460487e-01 6.7355973e-01] [4.0023820e-03 3.6881861e-01 6.2717897e-01] [9.3579787e-01 6.3313372e-02 8.8873273e-04] [2.8993792e-03 3.9125395e-01 6.0584664e-01] [1.7156457e-03 3.7600714e-01 6.2227720e-01] [5.9143644e-02 7.4147564e-01 1.9938073e-01] [4.4851364e-03 4.1915748e-01 5.7635736e-01] [2.1494372e-01 6.4855641e-01 1.3649981e-01] [7.4421586e-03 4.6687931e-01 5.2567846e-01] [4.7624888e-04 3.0563667e-01 6.9388705e-01] [9.5614207e-01 4.3193795e-02 6.6417205e-04] [5.6969654e-02 7.1488911e-01 2.2814126e-01] [2.0755678e-03 3.4245396e-01 6.5547043e-01] [9.3328977e-01 6.5471925e-02 1.2382563e-03] [1.8808943e-03 2.6230952e-01 7.3580956e-01] [9.6379587e-04 2.6067016e-01 7.3836607e-01]]

Da die Wahrscheinlichkeit des numerischen Werts jeder Kategorie angegeben ist, ist die größte die richtige Antwort.

Vergleichen wir es mit der richtigen Antwort.

for y_pred,y_true in zip(predict,y_test):
    print(y_pred,y_true)

1 1 2 2 0 0 1 2 2 2 0 0 0 0 0 0 2 2 1 1 0 0 2 2 2 2 1 1 2 2 2 2 0 0 2 2 2 2 1 1 2 2 1 1 2 2 2 2 0 0 1 1 2 2 0 0 2 2 2 2

Abgesehen von einem ist es sehr genau.

Zusammenfassung

Heute haben wir Ihnen eine Implementierung in Deep Learning gesendet. Tiefes Lernen ist zu tief für mich, um überhaupt zu lernen.

Es besteht kein Zweifel, dass es weiterhin das Zentrum der IT-Trends sein wird. Sie sollten nicht verlieren, auch wenn Sie studieren.

Lass es uns unten halten.

15 Tage, bis Sie Ingenieur werden

Informationen zum Autor

HP von Otsu py: http://www.otupy.net/

Youtube： https://www.youtube.com/channel/UCaT7xpeq8n1G_HcJKKSOXMw

Twitter： https://twitter.com/otupython