Создание и обучение регрессионной модели

Этот раздел содержит инструкции по созданию регрессионной модели с обучаемыми блоками, кодирующие и декодирующие данные, и ее обучению. Модель создана с помощью тернарных слоев пакета ANN2SNN.

Вы можете использовать эту инструкцию при разработке прикладных решений.

Чтобы создать и обучить регрессионную модель:

1. В директории вашего проекта создайте файл программы с расширением .py, в котором будет создана и обучена модель.
2. В файле программы импортируйте модули библиотек, необходимые для создания и обучения модели.

   Если требуется, определите псевдонимы с помощью оператора as.

   Пример подключения объектов для создания и обучения регрессионной модели:

   Python

   from knp_ann2snn.altainn import TernaryDense

   from knp_ann2snn.altainn import heaviside

   from knp_ann2snn.altainn import Clip

   from tensorflow import keras

   from keras.models import Sequential, load_model

   from keras.callbacks import ModelCheckpoint

   from keras.layers import Dense

   import matplotlib.pyplot as plt

   import numpy as np

3. Создайте синусоиду и подготовьте данные для обучения.

   Пример подготовки данных:

   Python

   # Определение количества элементов в наборе данных.

   N = 4000

   # Определение индекса, до которого элементы набора данных будут использования для обучения.

   train_idx = 3000

   # Определение индекса, до которого элементы, начиная с индекса train_idx, образуют тестовые данные.

   test_idx = 4000

   # Определение количества элементов в пакете (англ. batch).

   elements_in_batch = 10

   # Определение размерности выхода кодирующего блока.

   encoder_output_shape = 25

   # Определение размерности выхода нейронной сети.

   snn_output_shape = 35

   # Определение размерности выхода декодирующего блока.

   decoder_output_shape = 1

   # Создание синусоиды.

   x = np.arange(N)

   arr = np.sin(x)

   # Формирование тренировочных данных на основе elements_in_batch значений.

   train_range = range(train_idx - elements_in_batch - 1)

   x_train = np.array([arr[i : i + elements_in_batch] for i in train_range])

   y_train = np.array([[arr[i + elements_in_batch + 1]] for i in train_range])

   # Формирование тестовых данных на основе elements_in_batch значений.

   test_range = range(train_idx, test_idx - elements_in_batch - 1)

   x_test = np.array([arr[i : i + elements_in_batch] for i in test_range])

   y_test = np.array([[arr[i + elements_in_batch + 1]] for i in test_range])

4. Создайте регрессионную модель. Для этого создайте кодирующий блок, импульсную нейронную сеть и декодирующий блок.

   Пример создания регрессионной модели:

   Python

   # Создание кодирующего блока с одним слоем, который преобразует данные в спайки.

   encoder = Sequential(

   [

   Dense(

   encoder_output_shape,

   activation=heaviside,

   input_shape=(elements_in_batch,)

   )

   ]

   )

   # Создание импульсной нейронной сети.

   snn = Sequential(

   [

   TernaryDense(

   snn_output_shape,

   activation=heaviside,

   input_shape=(encoder_output_shape,),

   use_bias=False

   )

   ]

   )

   # Создание декодирующего блока с одним слоем, который преобразует спайки в целевое значение.

   decoder = Sequential(

   [

   Dense(

   decoder_output_shape,

   activation="linear",

   input_shape=(snn_output_shape,)

   )

   ]

   )

   # Создание модели с кодирующим блоком, нейронной сетью и декодирующим блоком.

   model = Sequential([encoder, snn, decoder])

   model.compile(optimizer="adam", loss="mse")

5. Обучите модель.

   Пример обучения модели:

   Python

   # Обучение модели на тренировочных данных.

   checkpoint = ModelCheckpoint(

   "sin_model.keras",

   monitor="val_loss",

   verbose=1,

   save_best_only=True,

   mode="min"

   )

   model.fit(x_train, y_train, epochs=50, validation_data=(x_test, y_test), callbacks=[])

   model.save("sin_model.keras")

   # Загрузка модели.

   model = load_model(

   "sin_model.keras",

   custom_objects={

   "heaviside_mod": heaviside,

   "Clip": Clip,

   "TernaryDense": TernaryDense,

   },

   )

   # Получение предсказаний.

   predict_test = model.predict(x_test)

   predict_test = predict_test.flatten()

   # Построение графиков по предсказанным и целевым значениям.

   plt.plot(predict_test, "b")

   plt.plot(y_test, "r", alpha=0.5)

   plt.savefig("sin_train.png")

6. Сохраните кодирующий блок, нейронную сеть и декодирующий блок.

   Пример сохранения:

   Python

   # Сохранение кодирующего блока в файл encoder_sin.keras.

   model.layers[0].save("encoder_sin.keras")

   # Сохранение нейронной сети в файл snn_sin.keras.

   model.layers[1].save("snn_sin.keras")

   # Сохранение декодирующего блока в файл decoder_sin.keras.

   model.layers[2].save("decoder_sin.keras")

7. Запустите программу.

В начало