高周波エンジニアのためのAI・機械学習入門（GPU編3）PythonとKeras3.0を使って回帰型ニューラルネットワーク（RNN）の一種LSTM（長・短期記憶）で3次のLCバンドパスフィルタ（BPF）のSパラメータを時系列データと見なして素子の値（L、C）を推定する。GPUでも結構かかる。

前回、前々回はDNNとCNNを試した。今回はこちらをGPUにしてみる。CPUではとんでもなく時間がかかっていた。

 高周波エンジニアのためのAI・機械学習入門（４）PythonとKeras3.0を使って回帰型ニューラルネットワーク（RNN）の一種LSTM（長・短期記憶）で3次のLCバンドパスフィルタ（BPF）のSパラメータを時系列データと見なして素子の値（L、C）を推定する。

ノーマライズ以外はCPUと同じコードにしてみた。

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"]

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RNNを設定

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

x = keras.layers.LSTM(100, return_sequences=True)(inputs)

x = keras.layers.LSTM(100)(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()

結果はこちら。精度はまずまずだが、DNNやCNNと比べて10倍以上、数十分も計算にかかっていた。

R2 Score: 0.9996395
% Error per element (mean): [1.29060267 0.61813375 0.64212142 1.32254561 1.28718133 0.58677201]

この例だと、精度・速度ともに一番いいのはCNNになった。