高周波エンジニアのためのAI・機械学習入門（GPU編12）教師あり学習でバンドパスフィルタ（BPF）の中心周波数ずれのG／NG判定をPythonとKeras 3.0を使って畳み込みニューラルネットワーク（CNN）で行う。

前回のLPF,BPF,HPFの分類があまりにも簡単だったのでもう少し微妙なBPFの中心周波数ずれが分類できるか見てみる。10％ずれるとして90％が良品、10％が不良品になっている。

CPU版はこちら。この1つ前でDNNがいまいちだったのでCNNでやっている。

 高周波エンジニアのためのAI・機械学習入門（9）教師あり学習でバンドパスフィルタ（BPF）の中心周波数ずれのG／NG判定をPythonとKeras 3.0を使って畳み込みニューラルネットワーク（CNN）で行う。精度が99%を超えるようになった。

データはこんな感じで。

コードはこちら。

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

import os

from jax import config

#config.update("jax_enable_x64", False)

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

data_label = np.load("G_NG.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(1, activation="sigmoid")(x)

#　モデルの設定

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

model.compile(optimizer=keras.optimizers.Adam(), loss=keras.losses.BinaryCrossentropy(),    

            metrics=[keras.metrics.BinaryAccuracy(),])

batch_size = 64

epochs = 100

keras.utils.set_random_seed(1)

model.fit(

    x_train,

    y_train,

    batch_size=batch_size,

    epochs=epochs,

    validation_split=0.15,

)

score = model.evaluate(x_test, y_test, verbose=0)

print(f"Test Score{score}")

やはりGPU速いのですぐ終わる。結果は

Test Score[0.009542127139866352, 0.9976666569709778]

と99.77％とかかなりいい感じ。もう少しずれを小さくするとどうなるかも見てみたいところ。