高周波エンジニアのためのAI・機械学習入門（20）PythonとKeras3.0とscikit-rfを使ってディープラーニング(DNN)で同軸コネクタがついたマイクロストリップラインのSパラメータからTDRを使わずに特性インピーダンスを予測する。かなりいい精度が得られた。

さて前回はモンテカルロシミュレーションで学習用のデータを作った。

今回は実際にDNNをやってみる。

まずは読み込み。

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("tl_data.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)

次はモデルの設定。フィルタのときと同じにした。

# Functional APIでDense層を3層にしたDNNを設定

hidden_dim = 100

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

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

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

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

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

outputs = keras.layers.Dense(1)(x)

#　モデルの設定

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

model.compile(loss = 'mean_squared_error' ,optimizer=keras.optimizers.Adam())

そして学習。

batch_size = 32

epochs = 100

keras.utils.set_random_seed(1)

history = model.fit(

    x_train,

    y_train,

    batch_size=batch_size,

    epochs=epochs,

    validation_split=0.15,

)

y_pred = model.predict(x_test)

metric = keras.metrics.R2Score()

metric.update_state(y_test, y_pred)

result = metric.result()

print(result)

error = np.abs((y_test - y_pred)/y_test*100)

print(error.mean())

これでなんと99.99％のR2scoreが得られた。

図示すると、

legend = ["Z0"]

fig, ax = plt.subplots(1, 2, figsize=(12,6))

maxvalue = y_pred.max()

minvalue = y_pred.min()

ax[0].scatter(y_pred, y_test, c="r", s=5)

ax[0].plot([0,maxvalue], [0,maxvalue], "--", c="black")

ax[0].set_xlabel("推定した値", fontname='MS Gothic')

ax[0].set_ylabel("実際の値", fontname='MS Gothic')

ax[0].set_xlim(minvalue, maxvalue)

ax[0].set_ylim(minvalue, maxvalue)

ax[0].grid()

ax[0].legend([legend[0] + f" 平均誤差{error.mean():.2f}%"], prop={"family":"MS Gothic"})

ax[1].hist(error, bins = 100)

ax[1].set_xlabel("誤差[%]", fontname='MS Gothic')

ax[1].set_ylabel("頻度", fontname='MS Gothic')

ax[1].grid()

fig.tight_layout()

plt.show()

かなり合ってる。これ、もう少し現実的なモデルを使えば十分使えるのではなかろうか。