高周波エンジニアのためのAI・機械学習入門（GPU編2）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。これもCPU版より格段に精度が向上して0.数％に。

さて、DNNでLCフィルタの素子値を推定する試みはノーマライズの効果とGPUで計算が速いのでいろいろ試せて格段に精度が上がったことをみた。今回はこのCNNの事例をGPUで計算してみる。

 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。

ノーマライズは前提として、ChatGPTにCNNの改善案を聞いてみた。どんどん複雑なものを提案してきたが、どんどん精度が落ちた…

シンプルなCNNが一番よかった。これだけ試せるのもGPUが速いおかげ。

コードはこちら。

import os

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

import keras

import jax

import numpy as np

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

plt.rcParams['font.family'] = 'Noto Sans CJK JP'

data_label = np.load("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)

# ==========================

# ラベルスケーリング（y）

# ==========================

# L, C の桁差や物理パラの偏り対策

scaler_y = StandardScaler()

y_train_f = scaler_y.fit_transform(y_train)

y_test_f  = scaler_y.transform(y_test)

# 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())

batch_size = 32

epochs = 300

keras.utils.set_random_seed(1)

history = model.fit(

    x_train,

    y_train_f,

    batch_size=batch_size,

    epochs=epochs,

    validation_split=0.15,

)

# ==========================

# 予測（スケールを元に戻す）

# ==========================

y_pred_f = model.predict(x_test)

y_pred = scaler_y.inverse_transform(y_pred_f)

# ==========================

# R2評価

# ==========================

metric = keras.metrics.R2Score()

metric.update_state(y_test, y_pred)

print("\nR2 Score:", metric.result())

# ==========================

# パーセント誤差（0除算対策）

# ==========================

# 小さい値の分母マスク

eps = 1e-12

valid_mask = np.abs(y_test) > eps

pct_error = np.zeros_like(y_test)

pct_error[valid_mask] = np.abs(

    (y_test[valid_mask] - y_pred[valid_mask]) / y_test[valid_mask] * 100

)

print("\n% Error per element (mean):", pct_error.mean(axis=0))

# ==========================

# 相関プロット

# ==========================

row, column = 2, 3

legend = ["L1", "C1", "L2", "C2", "L3", "C3"]

fig, ax = plt.subplots(2, 3, figsize=(15,9))

for i in range(row):

    for j in range(column):

        count = column * i + j

        maxvalue = y_pred[:, count].max()

        ax[i,j].scatter(y_pred[:, count], y_test[:,count], c="r", s=5)

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

        ax[i,j].set_xlabel("推定した値")

        ax[i,j].set_ylabel("実際の値")

        ax[i,j].set_xlim(0, maxvalue)

        ax[i,j].set_ylim(0, maxvalue)

        ax[i,j].grid()

        ax[i,j].legend([legend[count] + f" 平均誤差{pct_error.mean(axis=0)[count]:.2f}%"])

fig.tight_layout()

plt.show()

実行結果はこちら。

R2 Score: 0.999959
% Error per element (mean): [0.36901893 0.27566749 0.28031276 0.36773189 0.36956985 0.27216478]

DNNよりさらに精度が向上して０．数％になった。計算時間もDNNとそれほど変わらない。これがGPUの効果か。

次はRNN（LSTM）をやってみよう。