一、前期准备
1. 设置GPU
import tensorflow as tf gpus = tf.config.list_physical_devices("GPU") if gpus: gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPU tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用 tf.config.set_visible_devices([gpu0],"GPU") gpus
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
2. 导入数据
🥂 数据介绍：
age：1) 年龄
sex：2) 性别
cp：3) 胸痛类型 (4 values)
trestbps：4) 静息血压
chol：5) 血清胆甾醇 (mg/dl
fbs：6) 空腹血糖 > 120 mg/dl
restecg：7) 静息心电图结果 (值 0,1 ,2)
thalach：8) 达到的最大心率
exang：9) 运动诱发的心绞痛
oldpeak：10) 相对于静止状态，运动引起的ST段压低
slope：11) 运动峰值 ST 段的斜率
ca：12) 荧光透视着色的主要血管数量 (0-3)
thal：13) 0 = 正常；1 = 固定缺陷；2 = 可逆转的缺陷
target：14) 0 = 心脏病发作的几率较小 1 = 心脏病发作的几率更大
import pandas as pd import numpy as np df = pd.read_csv("heart.csv") df
3. 检查数据
# 检查是否有空值 df.isnull().sum()
age 0
sex 0
cp 0
trestbps 0
chol 0
fbs 0
restecg 0
thalach 0
exang 0
oldpeak 0
slope 0
ca 0
thal 0
target 0
dtype: int64
二、数据预处理
1. 划分训练集与测试集
🍺 测试集与验证集的关系：
验证集并没有参与训练过程梯度下降过程的，狭义上来讲是没有参与模型的参数训练更新的。
但是广义上来讲，验证集存在的意义确实参与了一个“人工调参”的过程，我们根据每一个epoch训练之后模型在valid data上的表现来决定是否需要训练进行early stop，或者根据这个过程模型的性能变化来调整模型的超参数，如学习率，batch_size等等。
我们也可以认为，验证集也参与了训练，但是并没有使得模型去overfit验证集。
from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split X = df.iloc[:,:-1] y = df.iloc[:,-1] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.1, random_state = 1)
X_train.shape, y_train.shape
((272, 13), (272,))
2. 标准化
# 将每一列特征标准化为标准正态分布，注意，标准化是针对每一列而言的 sc = StandardScaler() X_train = sc.fit_transform(X_train) X_test = sc.transform(X_test) X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1) X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], 1)
三、构建RNN模型
⭐函数原型
tf.keras.layers.SimpleRNN(units,activation='tanh',use_bias=True,kernel_initializer='glorot_uniform',recurrent_initializer='orthogonal',bias_initializer='zeros',kernel_regularizer=None,recurrent_regularizer=None,bias_regularizer=None,activity_regularizer=None,kernel_constraint=None,recurrent_constraint=None,bias_constraint=None,dropout=0.0,recurrent_dropout=0.0,return_sequences=False,return_state=False,go_backwards=False,stateful=False,unroll=False,**kwargs)
关键参数说明
● units: 正整数，输出空间的维度。
● activation: 要使用的激活函数。 默认：双曲正切（tanh）。 如果传入 None，则不使用激活函数 (即 线性激活：a(x) = x)。
● use_bias: 布尔值，该层是否使用偏置向量。
● kernel_initializer: kernel 权值矩阵的初始化器， 用于输入的线性转换 (详见 initializers)。
● recurrent_initializer: recurrent_kernel 权值矩阵 的初始化器，用于循环层状态的线性转换 (详见 initializers)。
● bias_initializer:偏置向量的初始化器 (详见initializers).
● dropout: 在 0 和 1 之间的浮点数。 单元的丢弃比例，用于输入的线性转换。
import tensorflow from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense,LSTM,SimpleRNN model = Sequential() model.add(SimpleRNN(200, input_shape= (13,1), activation='relu')) model.add(Dense(100, activation='relu')) model.add(Dense(1, activation='sigmoid')) model.summary()
Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= simple_rnn (SimpleRNN) (None, 200) 40400 _________________________________________________________________ dense (Dense) (None, 100) 20100 _________________________________________________________________ dense_1 (Dense) (None, 1) 101 ================================================================= Total params: 60,601 Trainable params: 60,601 Non-trainable params: 0 ________________________________________________________________
四、编译模型
opt = tf.keras.optimizers.Adam(learning_rate=1e-4) model.compile(loss='binary_crossentropy', optimizer=opt, metrics="accuracy")
五、训练模型
epochs = 100 history = model.fit(X_train, y_train, epochs=epochs, batch_size=128, validation_data=(X_test, y_test), verbose=1)
Epoch 97/100 3/3 [==============================] - 0s 25ms/step - loss: 0.2783 - accuracy: 0.8929 - val_loss: 0.3175 - val_accuracy: 0.8710 Epoch 98/100 3/3 [==============================] - 0s 25ms/step - loss: 0.2559 - accuracy: 0.9036 - val_loss: 0.3163 - val_accuracy: 0.8710 Epoch 99/100 3/3 [==============================] - 0s 24ms/step - loss: 0.2658 - accuracy: 0.8863 - val_loss: 0.3143 - val_accuracy: 0.9032 Epoch 100/100 3/3 [==============================] - 0s 24ms/step - loss: 0.2728 - accuracy: 0.8842 - val_loss: 0.3081 - val_accuracy: 0.8710
六、模型评估
import matplotlib.pyplot as plt acc = history.history['accuracy'] val_acc = history.history['val_accuracy'] loss = history.history['loss'] val_loss = history.history['val_loss'] epochs_range = range(epochs) plt.figure(figsize=(14, 4)) plt.subplot(1, 2, 1) plt.plot(epochs_range, acc, label='Training Accuracy') plt.plot(epochs_range, val_acc, label='Validation Accuracy') plt.legend(loc='lower right') plt.title('Training and Validation Accuracy') plt.subplot(1, 2, 2) plt.plot(epochs_range, loss, label='Training Loss') plt.plot(epochs_range, val_loss, label='Validation Loss') plt.legend(loc='upper right') plt.title('Training and Validation Loss') plt.show()
scores = model.evaluate(X_test, y_test, verbose=0) print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
accuracy: 87.10%
