Google Colab(Colaboratory)でPythonの高周波用ライブラリscikit-rfを使う(5) Keras3.0を使って畳み込みニューラルネットワーク（CNN）で3次のLCバンドパスフィルタのSパラメータから素子の値（L、C）を推定するのをCPU、GPU、TPUで速度比較。GPUが速かった。

以前こういうのをやってみた。

高周波エンジニアのためのAI・機械学習入門（３）PythonとKeras3.0を使って畳み込みニューラルネットワーク（CNN）で3次のLCバンドパスフィルタ（BPF）のSパラメータを画像と見なして素子の値（L、C）を推定する。 

この時は自分のノートPCのCPUしか使えなかったのでCNNがとても遅い…Google Colabでは無償でもGPU、TPUが使えるので比較してみる。

ランタイムのタイプを変更で選べる。無償だと2つしか選べないが…

まずはおまじない。

!pip install scikit-rf

from google.colab import drive

drive.mount('/content/drive')

path = "/content/drive/MyDrive/Colab Notebooks/"

次に設定とモデルの構築。今回はjaxを使う。データは以前作ったもの（上のリンク参照）。

import numpy as np

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

import os

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

import keras

data_label = np.load(path + "data_label.npz")

data = data_label["data"].reshape(-1,200,5,1)

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CNNを設定

inputs = keras.Input(shape=(200, 5, 1))

x = keras.layers.Conv2D(64, kernel_size=(10, 2), activation="relu")(inputs)

x = keras.layers.Conv2D(64, kernel_size=(10, 4), activation="relu")(x)

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

outputs = keras.layers.Dense(6)(x)

#　モデルの設定

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

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

model.summary()

ここで学習を10epochやってみると…

batch_size = 32

epochs = 300

keras.utils.set_random_seed(1)

history = model.fit(

    x_train,

    y_train,

    batch_size=batch_size,

    verbose=0,

    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(axis=0))

結果の比較。

種類	かかった時間
CPU	6分38 秒
GPU	16 秒
TPU	25 秒

GPUが爆速だった！これは自分のPCでやるよりずっと速い。こういう検討する時はGoogle Colab使う方向で行こう。