CNN(卷积神经网络)模型以及R语言实现 |
您所在的位置:网站首页 › 卷积神经网络的优化器 › CNN(卷积神经网络)模型以及R语言实现 |
原文链接:/?p=18149 无人驾驶汽车最早可以追溯到1989年。神经网络已经存在很长时间了,那么近年来引发人工智能和深度学习热潮的原因是什么呢?答案部分在于摩尔定律以及硬件和计算能力的显著提高。我们现在可以事半功倍。顾名思义,神经网络的概念是受我们自己大脑神经元网络的启发。神经元是非常长的细胞,每个细胞都有称为树突的突起,分别从周围的神经元接收和传播电化学信号。结果,我们的脑细胞形成了灵活强大的通信网络,这种类似于装配线的分配过程支持复杂的认知能力,例如音乐播放和绘画。 视频:CNN(卷积神经网络)模型以及R语言实现 ![]() 神经网络通常包含一个输入层,一个或多个隐藏层以及一个输出层。输入层由p个预测变量或输入单位/节点组成。不用说,通常最好将变量标准化。这些输入单元可以连接到第一隐藏层中的一个或多个隐藏单元。与上一层完全连接的隐藏层称为密集层。在图中,两个隐藏层都是密集的。 输出层计算预测,其中的单元数由具体的问题确定。通常,二分类问题需要一个输出单元,而具有k个类别的多类问题将需要 k个对应的输出单元。前者可以简单地使用S形函数直接计算概率,而后者通常需要softmax变换,从而将所有k个输出单元中的所有值加起来为1,因此可以将其视为概率。无需进行分类预测。 权重图中显示的每个箭头都会传递与权重关联的输入。每个权重本质上是许多系数估计之一,该系数估计有助于在相应箭头指向的节点中计算出回归 训练之前,我们需要做好两件事一是拟合优度的度量,用于比较所有训练观测值的预测和已知标签;二是计算梯度下降的优化方法,实质上是同时调整所有权重估计值,以提高拟合优度的方向。对于每种方法,我们分别具有损失函数和优化器。损失函数有很多类型,所有目的都是为了量化预测误差,例如使用交叉熵 卷积神经网络是一种特殊类型的神经网络,可以很好地用于图像处理,并以上述原理为框架。名称中的“卷积”归因于通过滤镜处理的图像中像素的正方形方块。结果,该模型可以在数学上捕获关键的视觉提示。例如,鸟的喙可以在动物中高度区分鸟。在下面描述的示例中,卷积神经网络可能会沿着一系列涉及卷积,池化和扁平化的变换链处理喙状结构,最后,会看到相关的神经元被激活,理想情况下会预测鸟的概率是竞争类中最大的。
当我们将CNN(卷积神经网络)模型用于训练多维类型的数据(例如图像)时,它们非常有用。我们还可以实现CNN模型进行回归数据分析。我们之前使用Python进行CNN模型回归 ,在本视频中,我们在R中实现相同的方法。我们使用一维卷积函数来应用CNN模型。我们需要Keras R接口才能在R中使用Keras神经网络API。如果开发环境中不可用,则需要先安装。本教程涵盖: 准备数据 定义和拟合模型 预测和可视化结果 源代码 我们从加载本教程所需的库开始。 library(keras)library(caret)准备 数据在本教程中,我们将波士顿住房数据集用作目标回归数据。首先,我们将加载数据集并将其分为训练和测试集。 set.seed(123)boston = MASS::Bostonindexes = createDataPartition(boston$medv, p = .85, list = F)train = boston[indexes,]test = boston[-indexes,]接下来,我们将训练数据和测试数据的x输入和y输出部分分开,并将它们转换为矩阵类型。您可能知道,“ medv”是波士顿住房数据集中的y数据输出,它是其中的最后一列。其余列是x输入数据。检查维度。 dim(xtrain)[1] 432 13dim(ytrain)[1] 432 1接下来,我们将通过添加另一维度来重新定义x输入数据的形状。 dim(xtrain)[1] 432 13 1dim(xtest)[1] 74 13 1在这里,我们可以提取keras模型的输入维。 print(in_dim)[1] 13 1定义和拟合模型 我们定义Keras模型,添加一维卷积层。输入形状变为上面定义的(13,1)。我们添加Flatten和Dense层,并使用“ Adam”优化器对其进行编译。 model %>% summary()________________________________________________________________________Layer (type) Output Shape Param #========================================================================conv1d_2 (Conv1D) (None, 12, 64) 192________________________________________________________________________flatten_2 (Flatten) (None, 768) 0________________________________________________________________________dense_3 (Dense) (None, 32) 24608________________________________________________________________________dense_4 (Dense) (None, 1) 33========================================================================Total params: 24,833Trainable params: 24,833Non-trainable params: 0________________________________________________________________________接下来,我们将使用训练数据对模型进行拟合。 print(scores)loss24.20518预测和可视化结果 现在,我们可以使用训练的模型来预测测试数据。 predict(xtest)我们将通过RMSE指标检查预测的准确性。 cat("RMSE:", RMSE(ytest, ypred))RMSE: 4.935908最后,我们将在图表中可视化结果检查误差。 x_axes = seq(1:length(ypred))lines(x_axes, ypred, col = "red", type = "l", lwd = 2)legend("topl在本教程中,我们简要学习了如何使用R中的keras CNN模型拟合和预测回归数据。 最受欢迎的见解 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |