高周波エンジニアのためのAI・機械学習入門（7）教師あり学習でフィルタ特性（LPF, BPF, HPF)が分類できるかをPythonとKeras 3.0を使ってディープラーニング（DNN)でやってみた。バリデーションもテストも精度100%になった。人間が一目でわかるものはAIにも簡単なのか。

先日データを作ったので
高周波エンジニアのためのAI・機械学習入門（6）教師あり学習で分類をするためのデータ作成として、Pythonとscikit-rfで作ったLCフィルタ合成ライブラリfiltersynthを使ってモンテカルロシミュレーションでLPF、BPF、HPFをたくさん作ってSパラ入力、出力OneHot表現で分類を行う。

今回は実際に分類をしてみる。

データ読み込みとモデルは以下の通り。

import numpy as np

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

import os

os.environ["KERAS_BACKEND"] = "tensorflow"

import keras

data_label = np.load("filter_classification.npz")

data = data_label["data"]

label = data_label["label"]

x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.3, random_state=0)

# Functional APIでDense層＋ドロップアウト層(今回使わず)を3層にしたDNNを設定

hidden_dim = 500

inputs = keras.Input(shape=(200, 5))

x = keras.layers.Flatten()(inputs)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

#x = keras.layers.Dropout(0.5)(x)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

#x = keras.layers.Dropout(0.5)(x)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

#x = keras.layers.Dropout(0.5)(x)

outputs = keras.layers.Dense(3, activation="softmax")(x)

#　モデルの設定

model = keras.Model(inputs=inputs, outputs=outputs)

model.compile(optimizer=keras.optimizers.Adam(), loss=keras.losses.CategoricalCrossentropy(),    

            metrics=[keras.metrics.CategoricalAccuracy(name="acc"),])

ここで回帰と違うのは、最終層がsoftmaxになっていることと、損失関数がCategorical Cross Entropyになっていること。

これは分類ではおなじみ。

これで学習させると、

batch_size = 128

epochs = 50

keras.utils.set_random_seed(1)

model.fit(

    x_train,

    y_train,

    batch_size=batch_size,

    epochs=epochs,

    validation_split=0.15,

)

score = model.evaluate(x_test, y_test, verbose=0)

print(f"Test Score{score}")

え？Accuracy1.0なの？

最初の予想はDNNは全結合で周波数特性が見えないからHPFとLPF間違うんじゃないかなと思っていたが違っていた。

人間が一目でわかるようなものはAIでも簡単にわかるということなのかな。

もうちょっと難しい題材でやってみよう。