高周波エンジニアのためのAI・機械学習入門（GPU編4）前回の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）推定が時間かかりすぎるのでChatGPTと高速化を図った。7倍くらい早くなった。

前回のLSTM版が時間がかかりすぎるので、高速化する方法はないか？とChatGPTに相談すると、まとめると

方策	効果	推奨度
シーケンス短縮	精度維持で高速	⭐⭐⭐⭐⭐
64bit禁止＋大バッチ	JAX最適化で加速	⭐⭐⭐⭐⭐
LSTM縮小 or GRU	1.5〜3×	⭐⭐⭐⭐☆
1D-CNN置換	最大効果	⭐⭐⭐⭐⭐

と出た。

このようなコードになる。

import os

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

import keras

import numpy as np

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

# ----- JAX最適化（64bit演算禁止） -----

from jax import config

config.update("jax_enable_x64", False)

# ----- フォント設定（任意） -----

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

# ----- データ読み込み -----

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

data  = data_label["data"]   # (N, 200, 5)

label = data_label["label"]  # (N, 6)

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（L/C素子の桁差対策） -----

scaler_y = StandardScaler()

y_train_f = scaler_y.fit_transform(y_train)

y_test_f  = scaler_y.transform(y_test)

# ----- モデル構築（軽量2-stack LSTM） -----

inputs = keras.Input(shape=(x_train.shape[1], x_train.shape[2]))  # (200,5)

x = keras.layers.LSTM(64, return_sequences=True)(inputs)

x = keras.layers.LSTM(48, return_sequences=False)(x)

# optional（速度ほぼ落とさず汎化UP）

x = keras.layers.Dropout(0.05)(x)

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

model = keras.Model(inputs, outputs)

model.compile(

    loss='mse',

    optimizer=keras.optimizers.Adam(learning_rate=0.001)

)

# ----- Callbacks（収束高速化 / 無駄epochsカット） -----

callbacks = [

    keras.callbacks.EarlyStopping(

        monitor="val_loss",

        patience=25,

        restore_best_weights=True

    ),

    keras.callbacks.ReduceLROnPlateau(

        monitor="val_loss",

        patience=10,

        factor=0.5,

        min_lr=1e-6

    )

]

# ----- 学習（batch_size=128でJAX高速） -----

history = model.fit(

    x_train,

    y_train_f,

    batch_size=128,

    epochs=300,

    validation_split=0.15,

    callbacks=callbacks,

    verbose=1

)

# ----- 予測（スケールを戻す） -----

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。精度を落とさずに7倍ほど高速化している。

R2 Score: 0.99973
% Error per element (mean): [0.89747847 0.96953044 0.98368754 0.86145584 0.81537879 1.05949529]