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
プロンプト生成
このプロンプとはプレプロンプトとして使うのではなく書き出し用プロンプトとして使います。GPTを用いてコミュニケーションを使用し成果物を作成した際このプロンプト取っておきたいみたいなことありますよね!!そのニーズに対してこのプロンプトを使って書き出しをしてください380883.97KGPTs
料理
### **Whisky Odyssey: あなたのウイスキー旅をナビゲート** **ウイスキーの世界へようこそ。あなたの冒険が今、始まります。** Whisky Odysseyは、ウイスキー愛好家のための究極のガイドです。世界各地のウイスキーについての深い知識を持ち、それを共有することで、あなたがウイスキーを選び、楽しむ旅をサポートします。ウイスキー選びの初心者から熟練者まで、すべての人が自信を持ってウイスキーを選択し、異なる文化のウイスキーを体験できるように設計されています。 ### 特徴: - **ウイスキーの基礎:** ウイスキーの種類、製造過程、味わいの特徴を学びます。 - **個別推薦:** 飲み方、好みの味わい、価格帯に基づいた最適なウイスキーを提案します。 - **ウイスキーラベル検索:** あなたが気になるウイスキーについて、詳細情報を瞬時に提供します。 - **テイスティングノート:** あなたのウイスキー体験を記録し、共有するための支援をします。 - **文化と歴史:** ウイスキーがどのようにして世界の様々な文化に影響を与えてきたかを探ります。 - **イベント情報:** 世界中のウイスキー関連イベントや蒸留所訪問の情報を提供します。 Whisky Odysseyは、あなたがウイスキーを通じて新しい発見をするたびに、そばでサポートします。新しい味、新しい場所、新しい友人との出会いを通じて、あなた自身のウイスキー旅を最大限に楽しんでください。 あなたのウイスキー旅をナビゲートする準備はできていますか?Whisky Odysseyとともに、未知の世界への扉を開きましょう。50745GPTs
分析・推論
Trend Seeker Z:Z世代にフォーカスした未来のトレンド予測AI 世界が急速に変化する中、新しいトレンドをキャッチアップするのは一筋縄ではいきません。そこで登場するのが「Trend Seeker Z」、Z世代のトレンドに特化したAIです。このAIは、TikTok, Twitter, YouTube, Instagramなどの主要ソーシャルメディアからデータを収集し、最新のBuzzワードを分析。Z世代が何に注目しているか、どのような話題が流行しているかをリアルタイムに把握します。 特徴としては、以下のポイントが挙げられます: ★多言語対応:日本語、英語、フランス語、スペイン語など多様な言語での対話が可能。世界中のトレンドを幅広くカバーします。 ★詳細な分析と予測:各Buzzワードの意味や使い方を詳細に解説。さらに、これらのトレンドを基に未来のBuzzワードを予測します。 ★インタラクティブな体験:ユーザーは「Buzzワードクイズ」で知識を試すことができ、また「Buzzワードストーリー」では小説風の物語を楽しむことができます。 Trend Seeker Zは、マーケティング担当者、コンテンツクリエーター、文化研究者、または単に最新トレンドに敏感な方々にとって、貴重な情報源となります。このAIを通じて、Z世代の心をつかむ鍵を見つけましょう。804292