Pythonを用いた多層ニューラルネットワークのプログラムの実装
Pythonを使った全結合層のみで構成される多層ニューラルネットワークのプログラムの生成
投稿日時:
- プロンプト実行例
- プロンプトを見る
Hello 教えて.AI !!
あなたはPythonを活用した精通したAIプログラマです。 全結合層のみで構成された多層ニューラルネットワークのプログラムを作成してください。
#制約条件: ・正解率、適合率、再現率、F値を算出するプログラムにすること ・グラフで可視化できるプログラムも追記すること ・データセットは、scikit-learnのサンプルデータセットである「load_breast_cancer」を利用すること
#プログラムで用いるハイパーパラメータ: ・重みの初期値の標準偏差を指定 weight_init_std = 0.05
・ 試行するエポック数を指定 max_epochs = 20
・全データ数に対するバッチデータ数の割合(エポック数判定用) iter_per_epoch = max(train_size / batch_size, 1)
・試行エポック数を初期化 epoch_cnt = 0
import numpy as np from sklearn.datasets import load_breast_cancer from sklearn.model_selection import train_test_split import matplotlib.pyplot as plt
データセットの読み込み
breast_cancer = load_breast_cancer() X, y = breast_cancer.data, breast_cancer.target
データセットの分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
ハイパーパラメータの設定
weight_init_std = 0.05 max_epochs = 20 batch_size = 32 iter_per_epoch = max(len(X_train) / batch_size, 1) epoch_cnt = 0
シグモイド関数
def sigmoid(x): return 1 / (1 + np.exp(-x))
ReLU関数
def relu(x): return np.maximum(0, x)
ソフトマックス関数
def softmax(x): exp_x = np.exp(x) return exp_x / np.sum(exp_x, axis=1, keepdims=True)
交差エントロピー誤差
def cross_entropy_error(y_pred, y_true): delta = 1e-7 return -np.mean(np.sum(y_true * np.log(y_pred + delta), axis=1))
正解率、適合率、再現率、F値の算出
def calculate_metrics(y_pred, y_true): y_pred_labels = np.argmax(y_pred, axis=1) y_true_labels = np.argmax(y_true, axis=1) accuracy = np.mean(y_pred_labels == y_true_labels)
1true_positive = np.sum((y_pred_labels == 1) & (y_true_labels == 1)) 2false_positive = np.sum((y_pred_labels == 1) & (y_true_labels == 0)) 3false_negative = np.sum((y_pred_labels == 0) & (y_true_labels == 1)) 4 5precision = true_positive / (true_positive + false_positive) 6recall = true_positive / (true_positive + false_negative) 7f1_score = 2 * (precision * recall) / (precision + recall) 8 9return accuracy, precision, recall, f1_score
ニューラルネットワーククラス
class MLP: def init(self, input_size, hidden_size, output_size): self.params = {} self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size) self.params['b1'] = np.zeros(hidden_size) self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size) self.params['b2'] = np.zeros(output_size)
1def forward(self, x): 2 z1 = np.dot(x, self.params['W1']) + self.params['b1'] 3 a1 = relu(z1) 4 z2 = np.dot(a1, self.params['W2']) + self.params['b2'] 5 y_pred = softmax(z2) 6 return y_pred 7 8def backward(self, x, y_true, y_pred): 9 batch_size = x.shape[0] 10 11 # 出力層の誤差 12 delta2 = (y_pred - y_true) / batch_size 13 14 # 重みとバイアスの勾配 15 grads = {} 16 grads['W2'] = np.dot(self.hidden_layer.T, delta2) 17 grads['b2'] = np.sum(delta2, axis=0) 18 19 # 隠れ層の誤差 20 delta1 = np.dot(delta2, self.params['W2'].T) * (self.hidden_layer > 0) 21 22 # 重みとバイアスの勾配 23 grads['W1'] = np.dot(x.T, delta1) 24 grads['b1'] = np.sum(delta1, axis=0) 25 26 return grads 27 28def train(self, x, y_true): 29 # 順伝播 30 y_pred = self.forward(x) 31 32 # バックプロパゲーション 33 grads = self.backward(x, y_true, y_pred) 34 35 # パラメータの更新 36 for key in self.params.keys(): 37 self.params[key] -= learning_rate * grads[key] 38 39def predict(self, x): 40 y_pred = self.forward(x) 41 return np.argmax(y_pred, axis=1)
多層ニューラルネットワークモデルの作成
model = MLP(input_size=X_train.shape[1], hidden_size=50, output_size=2)
学習
train_loss_list = [] train_acc_list = [] test_acc_list = []
for epoch in range(max_epochs): # エポックごとにシャッフル idx = np.random.permutation(len(X_train)) X_train = X_train[idx] y_train = y_train[idx]
1for i in range(0, len(X_train), batch_size): 2 # バッチデータの取得 3 X_batch = X_train[i:i+batch_size] 4 y_batch = y_train[i:i+batch_size] 5 6 # バッチデータで学習 7 model.train(X_batch, y_batch) 8 9# エポックごとの評価 10train_pred = model.forward(X_train) 11test_pred = model.forward(X_test) 12train_loss = cross_entropy_error(train_pred, y_train) 13train_acc, _, _, _ = calculate_metrics(train_pred, y_train) 14test_acc, _, _, _ = calculate_metrics(test_pred, y_test) 15 16train_loss_list.append(train_loss) 17train_acc_list.append(train_acc) 18test_acc_list.append(test_acc) 19 20epoch_cnt += 1 21if epoch_cnt >= iter_per_epoch: 22 print("Epoch:", epoch+1) 23 print("Train Loss:", train_loss) 24 print("Train Accuracy:", train_acc) 25 print("Test Accuracy:", test_acc) 26 epoch_cnt = 0
グラフの描画
plt.plot(range(1, max_epochs+1), train_loss_list, label='Train Loss') plt.xlabel('Epoch') plt.ylabel('Loss') plt.legend() plt.show()
plt.plot(range(1, max_epochs+1), train_acc_list, label='Train Accuracy') plt.plot(range(1, max_epochs+1), test_acc_list, label='Test Accuracy') plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.legend() plt.show()
コメント 0
他のプロンプトもチェック
画像生成
マーケティング一般
推奨モデル - DALL•E 3デザイナーが描いたような、クールで洗練された線画ロゴマークを、キーワード(テーマ)入力だけで簡単に生成。アイコン素材など多彩な用途に使えます。 プレゼン資料、SNSアイコン、ブランドロゴ、店舗デザイン、WEB素材などなど、どんなシーンでも使えるおすすめの線画ロゴマークです。ユニークでプロフェッショナルなデザインを素早く手に入れ、ブランドやプロジェクトを格上げしましょう!724474画像生成
物語・脚本・プロット
推奨モデル - DALL•E 3温かみのある手書き風イラストを生成するための包括的なプロンプトです。このプロンプトは、ユーザーのアイデアを基に、感情豊かで魅力的なビジュアルストーリーを作り出します。線画やカラーイラストのオプション、季節感、感情的要素、そして調和のとれた英語テキストの配置など、多彩な要素を組み合わせて、心に響くイラストを生成します。 🎨 あなたのアイデアを、心温まるビジュアルストーリーに! ✨ 感情豊かな表現で、見る人の心に残るイラストを 🌈 シンプルな線画から温かみのあるカラーイラストまで 💖 家族、自然、コミュニティ、どんなテーマも温かく表現 📝 洗練された英語テキストで、メッセージをより印象的に 🌸 季節感や感覚的要素を取り入れ、豊かな情景を描写 次のような感じで変数を入れてください。 1. {{描きたい内容}}: 夏の海辺での家族バーベキュー {{スタイル}}: カラーイラスト {{テキストの指定}}: "Summer BBQ Fun" 2. {{描きたい内容}}: 夕暮れ時のビーチでの砂の城作り {{スタイル}}: ラインアート {{テキストの指定}}: "Sunset Sandcastles" 3. {{描きたい内容}}: 夏のフェスティバルでの花火大会 {{スタイル}}: カラーイラスト {{イラストに入れたいテキストの指定}}: "Festival Fireworks" 4. {{描きたい内容}}: 公園でのピクニック {{スタイル}}: カラーイラスト {{テキストの指定}}: "Picnic Bliss" 5. {{描きたい内容}}: 森の中でのハイキング {{スタイル}}: ラインアート {{テキストの指定}}: "Nature Hike" 6. {{描きたい内容}}: 自宅のリビングでの読書タイム {{スタイル}}: カラーイラスト {{テキストの指定}}: "Cozy Reading" 7. {{描きたい内容}}: 街のカフェでのリラックスしたひととき {{スタイル}}: カラーイラスト {{テキストの指定}}: "Coffee Break"2145211GPTs
プロンプト生成
ImageFXでGoogleポリシーや規約に違反して弾かれたプロンプトを分析し、どのワードが違反している可能性が高いかをお伝えし、プロンプトを修正して提出してくれるGPTsを作ったのでImageFXでなかなか画像を生成して貰えない人はご活用ください😊 #ImageFX #GPTs #画像生成AI20119290