Python利用keras接口實現(xiàn)深度神經(jīng)網(wǎng)絡(luò)回歸
1 寫在前面
前期一篇文章Python TensorFlow深度學(xué)習(xí)回歸代碼：DNNRegressor詳細(xì)介紹了基于TensorFlow tf.estimator接口的深度學(xué)習(xí)網(wǎng)絡(luò)；而在TensorFlow 2.0中，新的Keras接口具有與 tf.estimator接口一致的功能，且其更易于學(xué)習(xí)，對于新手而言友好程度更高；在TensorFlow官網(wǎng)也建議新手從Keras接口入手開始學(xué)習(xí)。因此，本文結(jié)合TensorFlow Keras接口，加以深度學(xué)習(xí)回歸的詳細(xì)介紹與代碼實戰(zhàn)。
和上述博客類似，本文第二部分為代碼的分解介紹，第三部分為完整代碼。一些在上述博客介紹過的內(nèi)容，在本文中就省略了，大家如果有需要可以先查看上述文章Python TensorFlow深度學(xué)習(xí)回歸代碼：DNNRegressor。
相關(guān)版本信息：Python版本：3.8.5；TensorFlow版本：2.4.1；編譯器版本：Spyder 4.1.5。
2 代碼分解介紹
2.1 準(zhǔn)備工作
首先需要引入相關(guān)的庫與包。
import os import glob import openpyxl import numpy as np import pandas as pd import seaborn as sns import tensorflow as tf import scipy.stats as stats import matplotlib.pyplot as plt from sklearn import metrics from tensorflow import keras from tensorflow.keras import layers from tensorflow.keras import regularizers from tensorflow.keras.callbacks import ModelCheckpoint from tensorflow.keras.layers.experimental import preprocessing
由于后續(xù)代碼執(zhí)行過程中，會有很多數(shù)據(jù)的展示與輸出，其中多數(shù)數(shù)據(jù)都帶有小數(shù)部分；為了讓程序所顯示的數(shù)據(jù)更為整齊、規(guī)范，我們可以對代碼的浮點數(shù)、數(shù)組與NumPy對象對應(yīng)的顯示規(guī)則加以約束。
np.set_printoptions(precision=4,suppress=True)
其中，precision設(shè)置小數(shù)點后顯示的位數(shù)，默認(rèn)為8；suppress表示是否使用定點計數(shù)法（即與科學(xué)計數(shù)法相對）。
2.2 參數(shù)配置
深度學(xué)習(xí)代碼一大特點即為具有較多的參數(shù)需要我們手動定義。為避免調(diào)參時上下翻找，我們可以將主要的參數(shù)集中在一起，方便我們后期調(diào)整。
其中，具體參數(shù)的含義在本文后續(xù)部分詳細(xì)介紹。
# Input parameters.
DataPath="G:/CropYield/03_DL/00_Data/AllDataAll.csv"
ModelPath="G:/CropYield/03_DL/02_DNNModle"
CheckPointPath="G:/CropYield/03_DL/02_DNNModle/Weights"
CheckPointName=CheckPointPath+"/Weights_{epoch:03d}_{val_loss:.4f}.hdf5"
ParameterPath="G:/CropYield/03_DL/03_OtherResult/ParameterResult.xlsx"
TrainFrac=0.8
RandomSeed=np.random.randint(low=21,high=22)
CheckPointMethod='val_loss'
HiddenLayer=[64,128,256,512,512,1024,1024]
RegularizationFactor=0.0001
ActivationMethod='relu'
DropoutValue=[0.5,0.5,0.5,0.3,0.3,0.3,0.2]
OutputLayerActMethod='linear'
LossMethod='mean_absolute_error'
LearnRate=0.005
LearnDecay=0.0005
FitEpoch=500
BatchSize=9999
ValFrac=0.2
BestEpochOptMethod='adam'
2.3 數(shù)據(jù)導(dǎo)入與數(shù)據(jù)劃分
我的數(shù)據(jù)已經(jīng)保存在了.csv文件中，因此可以用pd.read_csv直接讀取。
其中，數(shù)據(jù)的每一列是一個特征，每一行是全部特征與因變量（就是下面的Yield）組合成的樣本。
# Fetch and divide data.
MyData=pd.read_csv(DataPath,names=['EVI0610','EVI0626','EVI0712','EVI0728','EVI0813','EVI0829',
'EVI0914','EVI0930','EVI1016','Lrad06','Lrad07','Lrad08',
'Lrad09','Lrad10','Prec06','Prec07','Prec08','Prec09',
'Prec10','Pres06','Pres07','Pres08','Pres09','Pres10',
'SIF161','SIF177','SIF193','SIF209','SIF225','SIF241',
'SIF257','SIF273','SIF289','Shum06','Shum07','Shum08',
'Shum09','Shum10','SoilType','Srad06','Srad07','Srad08',
'Srad09','Srad10','Temp06','Temp07','Temp08','Temp09',
'Temp10','Wind06','Wind07','Wind08','Wind09','Wind10',
'Yield'],header=0)
隨后，對導(dǎo)入的數(shù)據(jù)劃分訓(xùn)練集與測試集。
TrainData=MyData.sample(frac=TrainFrac,random_state=RandomSeed) TestData=MyData.drop(TrainData.index)
其中，TrainFrac為訓(xùn)練集（包括驗證數(shù)據(jù)）所占比例，RandomSeed為隨即劃分?jǐn)?shù)據(jù)時所用的隨機(jī)數(shù)種子。
2.4 聯(lián)合分布圖繪制
在開始深度學(xué)習(xí)前，我們可以分別對輸入數(shù)據(jù)的不同特征與因變量的關(guān)系加以查看。繪制聯(lián)合分布圖就是一種比較好的查看多個變量之間關(guān)系的方法。我們用seaborn來實現(xiàn)這一過程。seaborn是一個基于matplotlib的Python數(shù)據(jù)可視化庫，使得我們可以通過較為簡單的操作，繪制出動人的圖片。代碼如下：
# Draw the joint distribution image.
def JointDistribution(Factors):
plt.figure(1)
sns.pairplot(TrainData[Factors],kind='reg',diag_kind='kde')
sns.set(font_scale=2.0)
DataDistribution=TrainData.describe().transpose()
# Draw the joint distribution image.
JointFactor=['Lrad07','Prec06','SIF161','Shum06','Srad07','Srad08','Srad10','Temp06','Yield']
JointDistribution(JointFactor)
其中，JointFactor為需要繪制聯(lián)合分布圖的特征名稱，JointDistribution函數(shù)中的kind表示聯(lián)合分布圖中非對角線圖的類型，可選'reg'與'scatter'、'kde'、'hist'，'reg'代表在圖片中加入一條擬合直線，'scatter'就是不加入這條直線,'kde'是等高線的形式，'hist'就是類似于柵格地圖的形式；diag_kind表示聯(lián)合分布圖中對角線圖的類型，可選'hist'與'kde'，'hist'代表直方圖，'kde'代表直方圖曲線化。font_scale是圖中的字體大小。JointDistribution函數(shù)中最后一句是用來展示TrainData中每一項特征數(shù)據(jù)的統(tǒng)計信息，包括最大值、最小值、平均值、分位數(shù)等。
圖片繪制的示例如下：
要注意，繪制聯(lián)合分布圖比較慢，建議大家不要選取太多的變量，否則程序會卡在這里比較長的時間。
2.5 因變量分離與數(shù)據(jù)標(biāo)準(zhǔn)化
因變量分離我們就不再多解釋啦；接下來，我們要知道，對于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)而言，數(shù)據(jù)標(biāo)準(zhǔn)化是十分重要的——用官網(wǎng)所舉的一個例子：不同的特征在神經(jīng)網(wǎng)絡(luò)中會乘以相同的權(quán)重weight，因此輸入數(shù)據(jù)的尺度（即數(shù)據(jù)不同特征之間的大小關(guān)系）將會影響到輸出數(shù)據(jù)與梯度的尺度；因此，數(shù)據(jù)標(biāo)準(zhǔn)化可以使得模型更加穩(wěn)定。
在這里，首先說明數(shù)據(jù)標(biāo)準(zhǔn)化與歸一化的區(qū)別。
標(biāo)準(zhǔn)化即將訓(xùn)練集中某列的值縮放成均值為0，方差為1的狀態(tài)；而歸一化是將訓(xùn)練集中某列的值縮放到0和1之間。而在機(jī)器學(xué)習(xí)中，標(biāo)準(zhǔn)化較之歸一化通常具有更高的使用頻率，且標(biāo)準(zhǔn)化后的數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，其收斂將會更快。
最后，一定要記得——標(biāo)準(zhǔn)化時只需要對訓(xùn)練集數(shù)據(jù)加以處理，不要把測試集Test的數(shù)據(jù)引入了！因為標(biāo)準(zhǔn)化只需要對訓(xùn)練數(shù)據(jù)加以處理，引入測試集反而會影響標(biāo)準(zhǔn)化的作用。
# Separate independent and dependent variables.
TrainX=TrainData.copy(deep=True)
TestX=TestData.copy(deep=True)
TrainY=TrainX.pop('Yield')
TestY=TestX.pop('Yield')
# Standardization data.
Normalizer=preprocessing.Normalization()
Normalizer.adapt(np.array(TrainX))
在這里，我們直接運用preprocessing.Normalization()建立一個預(yù)處理層，其具有數(shù)據(jù)標(biāo)準(zhǔn)化的功能；隨后，通過.adapt()函數(shù)將需要標(biāo)準(zhǔn)化的數(shù)據(jù)（即訓(xùn)練集的自變量）放入這一層，便可以實現(xiàn)數(shù)據(jù)的標(biāo)準(zhǔn)化操作。
2.6 原有模型刪除
我們的程序每執(zhí)行一次，便會在指定路徑中保存當(dāng)前運行的模型。為保證下一次模型保存時不受上一次模型運行結(jié)果干擾，我們可以將模型文件夾內(nèi)的全部文件刪除。
# Delete the model result from the last run.
def DeleteOldModel(ModelPath):
AllFileName=os.listdir(ModelPath)
for i in AllFileName:
NewPath=os.path.join(ModelPath,i)
if os.path.isdir(NewPath):
DeleteOldModel(NewPath)
else:
os.remove(NewPath)
# Delete the model result from the last run.
DeleteOldModel(ModelPath)
這一部分的代碼在文章Python TensorFlow深度學(xué)習(xí)回歸代碼：DNNRegressor有詳細(xì)的講解，這里就不再重復(fù)。
2.7 最優(yōu)Epoch保存與讀取
在我們訓(xùn)練模型的過程中，會讓模型運行幾百個Epoch（一個Epoch即全部訓(xùn)練集數(shù)據(jù)樣本均進(jìn)入模型訓(xùn)練一次）；而由于每一次的Epoch所得到的精度都不一樣，那么我們自然需要挑出幾百個Epoch中最優(yōu)秀的那一個Epoch。
# Find and save optimal epoch.
def CheckPoint(Name):
Checkpoint=ModelCheckpoint(Name,
monitor=CheckPointMethod,
verbose=1,
save_best_only=True,
mode='auto')
CallBackList=[Checkpoint]
return CallBackList
# Find and save optimal epochs.
CallBack=CheckPoint(CheckPointName)
其中，Name就是保存Epoch的路徑與文件名命名方法；monitor是我們挑選最優(yōu)Epoch的依據(jù)，在這里我們用驗證集數(shù)據(jù)對應(yīng)的誤差來判斷這個Epoch是不是我們想要的；verbose用來設(shè)置輸出日志的內(nèi)容，我們用1就好；save_best_only用來確定我們是否只保存被認(rèn)定為最優(yōu)的Epoch；mode用以判斷我們的monitor是越大越好還是越小越好，前面提到了我們的monitor是驗證集數(shù)據(jù)對應(yīng)的誤差，那么肯定是誤差越小越好，所以這里可以用'auto'或'min'，其中'auto'是模型自己根據(jù)用戶選擇的monitor方法來判斷越大越好還是越小越好。
找到最優(yōu)Epoch后，將其傳遞給CallBack。需要注意的是，這里的最優(yōu)Epoch是多個Epoch——因為每一次Epoch只要獲得了當(dāng)前模型所遇到的最優(yōu)解，它就會保存；下一次再遇見一個更好的解時，同樣保存，且不覆蓋上一次的Epoch。可以這么理解，假如一共有三次Epoch，所得到的誤差分別為5，7，4；那么我們保存的Epoch就是第一次和第三次。
2.8 模型構(gòu)建
Keras接口下的模型構(gòu)建就很清晰明了了。相信大家在看了前期一篇文章Python TensorFlow深度學(xué)習(xí)回歸代碼：DNNRegressor后，結(jié)合代碼旁的注釋就理解啦。
# Build DNN model.
def BuildModel(Norm):
Model=keras.Sequential([Norm, # 數(shù)據(jù)標(biāo)準(zhǔn)化層
layers.Dense(HiddenLayer[0], # 指定隱藏層1的神經(jīng)元個數(shù)
kernel_regularizer=regularizers.l2(RegularizationFactor), # 運用L2正則化
# activation=ActivationMethod
),
layers.LeakyReLU(), # 引入LeakyReLU這一改良的ReLU激活函數(shù)，從而加快模型收斂，減少過擬合
layers.BatchNormalization(), # 引入Batch Normalizing，加快網(wǎng)絡(luò)收斂與增強(qiáng)網(wǎng)絡(luò)穩(wěn)固性
layers.Dropout(DropoutValue[0]), # 指定隱藏層1的Dropout值
layers.Dense(HiddenLayer[1],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
layers.BatchNormalization(),
layers.Dropout(DropoutValue[1]),
layers.Dense(HiddenLayer[2],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
layers.BatchNormalization(),
layers.Dropout(DropoutValue[2]),
layers.Dense(HiddenLayer[3],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
layers.BatchNormalization(),
layers.Dropout(DropoutValue[3]),
layers.Dense(HiddenLayer[4],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
layers.BatchNormalization(),
layers.Dropout(DropoutValue[4]),
layers.Dense(HiddenLayer[5],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
layers.BatchNormalization(),
layers.Dropout(DropoutValue[5]),
layers.Dense(HiddenLayer[6],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
# If batch normalization is set in the last hidden layer, the error image
# will show a trend of first stable and then decline; otherwise, it will
# decline and then stable.
# layers.BatchNormalization(),
layers.Dropout(DropoutValue[6]),
layers.Dense(units=1,
activation=OutputLayerActMethod)]) # 最后一層就是輸出層
Model.compile(loss=LossMethod, # 指定每個批次訓(xùn)練誤差的減小方法
optimizer=tf.keras.optimizers.Adam(learning_rate=LearnRate,decay=LearnDecay))
# 運用學(xué)習(xí)率下降的優(yōu)化方法
return Model
# Build DNN regression model.
DNNModel=BuildModel(Normalizer)
DNNModel.summary()
DNNHistory=DNNModel.fit(TrainX,
TrainY,
epochs=FitEpoch,
# batch_size=BatchSize,
verbose=1,
callbacks=CallBack,
validation_split=ValFrac)
在這里，.summary()查看模型摘要，validation_split為在訓(xùn)練數(shù)據(jù)中，取出ValFrac所指定比例的一部分作為驗證數(shù)據(jù)。DNNHistory則記錄了模型訓(xùn)練過程中的各類指標(biāo)變化情況，接下來我們可以基于其繪制模型訓(xùn)練過程的誤差變化圖像。
2.9 訓(xùn)練圖像繪制
機(jī)器學(xué)習(xí)中，過擬合是影響訓(xùn)練精度的重要因素。因此，我們最好在訓(xùn)練模型的過程中繪制訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)的誤差變化圖象，從而更好獲取模型的訓(xùn)練情況。
# Draw error image.
def LossPlot(History):
plt.figure(2)
plt.plot(History.history['loss'],label='loss')
plt.plot(History.history['val_loss'],label='val_loss')
plt.ylim([0,4000])
plt.xlabel('Epoch')
plt.ylabel('Error')
plt.legend()
plt.grid(True)
# Draw error image.
LossPlot(DNNHistory)
其中，'loss'與'val_loss'分別是模型訓(xùn)練過程中，訓(xùn)練集、驗證集對應(yīng)的誤差；如果訓(xùn)練集誤差明顯小于驗證集誤差，就說明模型出現(xiàn)了過擬合。
2.10 最優(yōu)Epoch選取
前面提到了，我們將多個符合要求的Epoch保存在了指定的路徑下，那么最終我們可以從中選取最好的那個Epoch，作為模型的最終參數(shù)，從而對測試集數(shù)據(jù)加以預(yù)測。那么在這里，我們需要將這一全局最優(yōu)Epoch選取出，并帶入到最終的模型里。
# Optimize the model based on optimal epoch.
def BestEpochIntoModel(Path,Model):
EpochFile=glob.glob(Path+'/*')
BestEpoch=max(EpochFile,key=os.path.getmtime)
Model.load_weights(BestEpoch)
Model.compile(loss=LossMethod,
optimizer=BestEpochOptMethod)
return Model
# Optimize the model based on optimal epoch.
DNNModel=BestEpochIntoModel(CheckPointPath,DNNModel）
總的來說，這里就是運用了os.path.getmtime模塊，將我們存儲Epoch的文件夾中最新的那個Epoch挑出來——這一Epoch就是使得驗證集數(shù)據(jù)誤差最小的全局最優(yōu)Epoch；并通過load_weights將這一Epoch對應(yīng)的模型參數(shù)引入模型。
2.11 模型測試、擬合圖像繪制、精度驗證與模型參數(shù)與結(jié)果保存
前期一篇文章Python TensorFlow深度學(xué)習(xí)回歸代碼：DNNRegressor中有相關(guān)的代碼講解內(nèi)容，因此這里就不再贅述啦。
# Draw Test image.
def TestPlot(TestY,TestPrediction):
plt.figure(3)
ax=plt.axes(aspect='equal')
plt.scatter(TestY,TestPrediction)
plt.xlabel('True Values')
plt.ylabel('Predictions')
Lims=[0,10000]
plt.xlim(Lims)
plt.ylim(Lims)
plt.plot(Lims,Lims)
plt.grid(False)
# Verify the accuracy and draw error hist image.
def AccuracyVerification(TestY,TestPrediction):
DNNError=TestPrediction-TestY
plt.figure(4)
plt.hist(DNNError,bins=30)
plt.xlabel('Prediction Error')
plt.ylabel('Count')
plt.grid(False)
Pearsonr=stats.pearsonr(TestY,TestPrediction)
R2=metrics.r2_score(TestY,TestPrediction)
RMSE=metrics.mean_squared_error(TestY,TestPrediction)**0.5
print('Pearson correlation coefficient is {0}, and RMSE is {1}.'.format(Pearsonr[0],RMSE))
return (Pearsonr[0],R2,RMSE)
# Save key parameters.
def WriteAccuracy(*WriteVar):
ExcelData=openpyxl.load_workbook(WriteVar[0])
SheetName=ExcelData.get_sheet_names()
WriteSheet=ExcelData.get_sheet_by_name(SheetName[0])
WriteSheet=ExcelData.active
MaxRowNum=WriteSheet.max_row
for i in range(len(WriteVar)-1):
exec("WriteSheet.cell(MaxRowNum+1,i+1).value=WriteVar[i+1]")
ExcelData.save(WriteVar[0])
# Predict test set data.
TestPrediction=DNNModel.predict(TestX).flatten()
# Draw Test image.
TestPlot(TestY,TestPrediction)
# Verify the accuracy and draw error hist image.
AccuracyResult=AccuracyVerification(TestY,TestPrediction)
PearsonR,R2,RMSE=AccuracyResult[0],AccuracyResult[1],AccuracyResult[2]
# Save model and key parameters.
DNNModel.save(ModelPath)
WriteAccuracy(ParameterPath,PearsonR,R2,RMSE,TrainFrac,RandomSeed,CheckPointMethod,
','.join('%s' %i for i in HiddenLayer),RegularizationFactor,
ActivationMethod,','.join('%s' %i for i in DropoutValue),OutputLayerActMethod,
LossMethod,LearnRate,LearnDecay,FitEpoch,BatchSize,ValFrac,BestEpochOptMethod)
得到擬合圖像如下：
得到誤差分布直方圖如下：
至此，代碼的分解介紹就結(jié)束啦~
3 完整代碼
# -*- coding: utf-8 -*-
"""
Created on Tue Feb 24 12:42:17 2021
@author: fkxxgis
"""
import os
import glob
import openpyxl
import numpy as np
import pandas as pd
import seaborn as sns
import tensorflow as tf
import scipy.stats as stats
import matplotlib.pyplot as plt
from sklearn import metrics
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras import regularizers
from tensorflow.keras.callbacks import ModelCheckpoint
from tensorflow.keras.layers.experimental import preprocessing
np.set_printoptions(precision=4,suppress=True)
# Draw the joint distribution image.
def JointDistribution(Factors):
plt.figure(1)
sns.pairplot(TrainData[Factors],kind='reg',diag_kind='kde')
sns.set(font_scale=2.0)
DataDistribution=TrainData.describe().transpose()
# Delete the model result from the last run.
def DeleteOldModel(ModelPath):
AllFileName=os.listdir(ModelPath)
for i in AllFileName:
NewPath=os.path.join(ModelPath,i)
if os.path.isdir(NewPath):
DeleteOldModel(NewPath)
else:
os.remove(NewPath)
# Find and save optimal epoch.
def CheckPoint(Name):
Checkpoint=ModelCheckpoint(Name,
monitor=CheckPointMethod,
verbose=1,
save_best_only=True,
mode='auto')
CallBackList=[Checkpoint]
return CallBackList
# Build DNN model.
def BuildModel(Norm):
Model=keras.Sequential([Norm, # 數(shù)據(jù)標(biāo)準(zhǔn)化層
layers.Dense(HiddenLayer[0], # 指定隱藏層1的神經(jīng)元個數(shù)
kernel_regularizer=regularizers.l2(RegularizationFactor), # 運用L2正則化
# activation=ActivationMethod
),
layers.LeakyReLU(), # 引入LeakyReLU這一改良的ReLU激活函數(shù)，從而加快模型收斂，減少過擬合
layers.BatchNormalization(), # 引入Batch Normalizing，加快網(wǎng)絡(luò)收斂與增強(qiáng)網(wǎng)絡(luò)穩(wěn)固性
layers.Dropout(DropoutValue[0]), # 指定隱藏層1的Dropout值
layers.Dense(HiddenLayer[1],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
layers.BatchNormalization(),
layers.Dropout(DropoutValue[1]),
layers.Dense(HiddenLayer[2],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
layers.BatchNormalization(),
layers.Dropout(DropoutValue[2]),
layers.Dense(HiddenLayer[3],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
layers.BatchNormalization(),
layers.Dropout(DropoutValue[3]),
layers.Dense(HiddenLayer[4],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
layers.BatchNormalization(),
layers.Dropout(DropoutValue[4]),
layers.Dense(HiddenLayer[5],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
layers.BatchNormalization(),
layers.Dropout(DropoutValue[5]),
layers.Dense(HiddenLayer[6],
kernel_regularizer=regularizers.l2(RegularizationFactor),
# activation=ActivationMethod
),
layers.LeakyReLU(),
# If batch normalization is set in the last hidden layer, the error image
# will show a trend of first stable and then decline; otherwise, it will
# decline and then stable.
# layers.BatchNormalization(),
layers.Dropout(DropoutValue[6]),
layers.Dense(units=1,
activation=OutputLayerActMethod)]) # 最后一層就是輸出層
Model.compile(loss=LossMethod, # 指定每個批次訓(xùn)練誤差的減小方法
optimizer=tf.keras.optimizers.Adam(learning_rate=LearnRate,decay=LearnDecay))
# 運用學(xué)習(xí)率下降的優(yōu)化方法
return Model
# Draw error image.
def LossPlot(History):
plt.figure(2)
plt.plot(History.history['loss'],label='loss')
plt.plot(History.history['val_loss'],label='val_loss')
plt.ylim([0,4000])
plt.xlabel('Epoch')
plt.ylabel('Error')
plt.legend()
plt.grid(True)
# Optimize the model based on optimal epoch.
def BestEpochIntoModel(Path,Model):
EpochFile=glob.glob(Path+'/*')
BestEpoch=max(EpochFile,key=os.path.getmtime)
Model.load_weights(BestEpoch)
Model.compile(loss=LossMethod,
optimizer=BestEpochOptMethod)
return Model
# Draw Test image.
def TestPlot(TestY,TestPrediction):
plt.figure(3)
ax=plt.axes(aspect='equal')
plt.scatter(TestY,TestPrediction)
plt.xlabel('True Values')
plt.ylabel('Predictions')
Lims=[0,10000]
plt.xlim(Lims)
plt.ylim(Lims)
plt.plot(Lims,Lims)
plt.grid(False)
# Verify the accuracy and draw error hist image.
def AccuracyVerification(TestY,TestPrediction):
DNNError=TestPrediction-TestY
plt.figure(4)
plt.hist(DNNError,bins=30)
plt.xlabel('Prediction Error')
plt.ylabel('Count')
plt.grid(False)
Pearsonr=stats.pearsonr(TestY,TestPrediction)
R2=metrics.r2_score(TestY,TestPrediction)
RMSE=metrics.mean_squared_error(TestY,TestPrediction)**0.5
print('Pearson correlation coefficient is {0}, and RMSE is {1}.'.format(Pearsonr[0],RMSE))
return (Pearsonr[0],R2,RMSE)
# Save key parameters.
def WriteAccuracy(*WriteVar):
ExcelData=openpyxl.load_workbook(WriteVar[0])
SheetName=ExcelData.get_sheet_names()
WriteSheet=ExcelData.get_sheet_by_name(SheetName[0])
WriteSheet=ExcelData.active
MaxRowNum=WriteSheet.max_row
for i in range(len(WriteVar)-1):
exec("WriteSheet.cell(MaxRowNum+1,i+1).value=WriteVar[i+1]")
ExcelData.save(WriteVar[0])
# Input parameters.
DataPath="G:/CropYield/03_DL/00_Data/AllDataAll.csv"
ModelPath="G:/CropYield/03_DL/02_DNNModle"
CheckPointPath="G:/CropYield/03_DL/02_DNNModle/Weights"
CheckPointName=CheckPointPath+"/Weights_{epoch:03d}_{val_loss:.4f}.hdf5"
ParameterPath="G:/CropYield/03_DL/03_OtherResult/ParameterResult.xlsx"
TrainFrac=0.8
RandomSeed=np.random.randint(low=21,high=22)
CheckPointMethod='val_loss'
HiddenLayer=[64,128,256,512,512,1024,1024]
RegularizationFactor=0.0001
ActivationMethod='relu'
DropoutValue=[0.5,0.5,0.5,0.3,0.3,0.3,0.2]
OutputLayerActMethod='linear'
LossMethod='mean_absolute_error'
LearnRate=0.005
LearnDecay=0.0005
FitEpoch=500
BatchSize=9999
ValFrac=0.2
BestEpochOptMethod='adam'
# Fetch and divide data.
MyData=pd.read_csv(DataPath,names=['EVI0610','EVI0626','EVI0712','EVI0728','EVI0813','EVI0829',
'EVI0914','EVI0930','EVI1016','Lrad06','Lrad07','Lrad08',
'Lrad09','Lrad10','Prec06','Prec07','Prec08','Prec09',
'Prec10','Pres06','Pres07','Pres08','Pres09','Pres10',
'SIF161','SIF177','SIF193','SIF209','SIF225','SIF241',
'SIF257','SIF273','SIF289','Shum06','Shum07','Shum08',
'Shum09','Shum10','SoilType','Srad06','Srad07','Srad08',
'Srad09','Srad10','Temp06','Temp07','Temp08','Temp09',
'Temp10','Wind06','Wind07','Wind08','Wind09','Wind10',
'Yield'],header=0)
TrainData=MyData.sample(frac=TrainFrac,random_state=RandomSeed)
TestData=MyData.drop(TrainData.index)
# Draw the joint distribution image.
# JointFactor=['Lrad07','Prec06','SIF161','Shum06','Srad07','Srad08','Srad10','Temp06','Yield']
# JointDistribution(JointFactor)
# Separate independent and dependent variables.
TrainX=TrainData.copy(deep=True)
TestX=TestData.copy(deep=True)
TrainY=TrainX.pop('Yield')
TestY=TestX.pop('Yield')
# Standardization data.
Normalizer=preprocessing.Normalization()
Normalizer.adapt(np.array(TrainX))
# Delete the model result from the last run.
DeleteOldModel(ModelPath)
# Find and save optimal epochs.
CallBack=CheckPoint(CheckPointName)
# Build DNN regression model.
DNNModel=BuildModel(Normalizer)
DNNModel.summary()
DNNHistory=DNNModel.fit(TrainX,
TrainY,
epochs=FitEpoch,
# batch_size=BatchSize,
verbose=1,
callbacks=CallBack,
validation_split=ValFrac)
# Draw error image.
LossPlot(DNNHistory)
# Optimize the model based on optimal epoch.
DNNModel=BestEpochIntoModel(CheckPointPath,DNNModel)
# Predict test set data.
TestPrediction=DNNModel.predict(TestX).flatten()
# Draw Test image.
TestPlot(TestY,TestPrediction)
# Verify the accuracy and draw error hist image.
AccuracyResult=AccuracyVerification(TestY,TestPrediction)
PearsonR,R2,RMSE=AccuracyResult[0],AccuracyResult[1],AccuracyResult[2]
# Save model and key parameters.
DNNModel.save(ModelPath)
WriteAccuracy(ParameterPath,PearsonR,R2,RMSE,TrainFrac,RandomSeed,CheckPointMethod,
','.join('%s' %i for i in HiddenLayer),RegularizationFactor,
ActivationMethod,','.join('%s' %i for i in DropoutValue),OutputLayerActMethod,
LossMethod,LearnRate,LearnDecay,FitEpoch,BatchSize,ValFrac,BestEpochOptMethod)以上就是Python利用keras接口實現(xiàn)深度神經(jīng)網(wǎng)絡(luò)回歸的詳細(xì)內(nèi)容，更多關(guān)于Python keras深度神經(jīng)網(wǎng)絡(luò)回歸的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
今天小編就為大家分享一篇替換python字典中的key值方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-07-07
這篇文章主要介紹了最大K個數(shù)問題的Python版解法總結(jié),以最大K個數(shù)問題為基礎(chǔ)的算法題目在面試和各大考試及競賽中經(jīng)常出現(xiàn),需要的朋友可以參考下2016-06-06
這篇文章主要介紹了python算法加密 pyarmor與docker，，PyArmor 是一個用于加密和保護(hù) Python 腳本的工具。它能夠在運行時刻保護(hù) Python腳本的二進(jìn)制代碼不被泄露，設(shè)置加密后Python源代碼的有效期限，綁 定加密后的Python源代碼到硬盤、網(wǎng)卡等硬件設(shè)備2022-06-06
在本篇文章里小編給大家整理的是一篇關(guān)于python中設(shè)置代碼自動提示的方法，有需要的朋友們可以學(xué)習(xí)參考下。2020-07-07
這篇文章給大家介紹了關(guān)于日志記錄庫的靈活性和可配置性，目的在于證明它如何設(shè)計的，對python 日志記錄相關(guān)知識感興趣的朋友跟隨腳本之家小編一起學(xué)習(xí)吧2018-02-02
使用Node.js和Socket.IO擴(kuò)展Django的實時處理功能
這篇文章主要介紹了使用Node.js和Socket.IO擴(kuò)展Django的實時處理功能,用異步處理實時功能是相當(dāng)強(qiáng)大的,文中給出的例子是建立一個實時聊天室,需要的朋友可以參考下2015-04-04
這篇文章主要介紹了TensorFlow固化模型的實現(xiàn)操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-05-05
Pytorch技巧:DataLoader的collate_fn參數(shù)使用詳解
今天小編就為大家分享一篇Pytorch技巧:DataLoader的collate_fn參數(shù)使用詳解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
這篇文章主要介紹了詳解matplotlib繪圖樣式(style)初探，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-02-02
這篇文章主要介紹了用Python批量處理圖片大小尺寸的方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)吧2022-11-11