高周波エンジニアのためのAI・機械学習入門（GPU編9）パッチアンテナ設計モジュールをPythonで作ったので、電気的に測定できる入力インピーダンス、共振周波数を与えて指向性(Directivity)をKeras3.0を用いたディープラーニング（DNN)による回帰で予測する。

今回はこれのGPU版。

 高周波エンジニアのためのAI・機械学習入門（18）パッチアンテナ設計モジュールをPythonで作ったので、電気的に測定できる入力インピーダンス、共振周波数を与えて指向性(Directivity)をKeras3.0を用いたディープラーニング（DNN)による回帰で予測する。

前回と同様にLayerNormalizationを入れて、かつ出力もスケーリングしておく。

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

from sklearn.preprocessing import StandardScaler

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

from jax import config

config.update("jax_enable_x64", False)

data_label = np.load("directivity.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)

#正規化

normalizer = keras.layers.Normalization()

normalizer.adapt(x_train)

scaler_y = StandardScaler()

y_train_f = scaler_y.fit_transform(y_train)

y_test_f  = scaler_y.transform(y_test)

# Functional APIでDense層を5層にしたDNNを設定

hidden_dim = 200

inputs = keras.Input(shape=(2,))

x = normalizer(inputs)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

x = keras.layers.LayerNormalization(epsilon=1.0e-6)(x)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

x = keras.layers.LayerNormalization(epsilon=1.0e-6)(x)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

x = keras.layers.LayerNormalization(epsilon=1.0e-6)(x)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

x = keras.layers.LayerNormalization(epsilon=1.0e-6)(x)

x = keras.layers.Dense(hidden_dim, activation="relu")(x)

x = keras.layers.LayerNormalization(epsilon=1.0e-6)(x)

outputs = keras.layers.Dense(1)(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 = 128

epochs = 1000

keras.utils.set_random_seed(1)

history = model.fit(

    x_train,

    y_train_f,

    batch_size=batch_size,

    epochs=epochs,

    validation_split=0.15,

)

y_pred_f = model.predict(x_test)

y_pred = scaler_y.inverse_transform(y_pred_f)

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))

legend = ["Directivity"]

fig, ax = plt.subplots(1, 2, figsize=(12,6))

maxvalue = y_pred.max()

ax[0].scatter(y_pred, y_test, c="r", s=5)

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

ax[0].set_xlabel("推定した値")

ax[0].set_ylabel("実際の値")

ax[0].set_xlim(5, maxvalue)

ax[0].set_ylim(5, maxvalue)

ax[0].grid()

ax[0].legend([legend[0] + f" 平均誤差{error.mean():.2f}%"])

ax[1].hist(error, bins = 100)

ax[1].set_xlabel("誤差[%]")

ax[1].set_ylabel("頻度")

ax[1].grid()

fig.tight_layout()

plt.show()

結果はこちら。

うーん、CPU版と比べてそんなに改善されてる感じではないな。もともとそんなに精度が悪くないので仕方ないか。