高周波エンジニアのためのAI・機械学習入門（GPU編11）教師あり学習でフィルタ特性（LPF, BPF, HPF)が分類できるかをPythonとKeras 3.0を使ってディープラーニング（DNN)でやってみた。DropOut層追加しても精度100％。

今回はこれをGPUでやってみよう。

高周波エンジニアのためのAI・機械学習入門（7）教師あり学習でフィルタ特性（LPF, BPF, HPF)が分類できるかをPythonとKeras 3.0を使ってディープラーニング（DNN)でやってみた。バリデーションもテストも精度100%になった。人間が一目でわかるものはAIにも簡単なのか。

やることはLPF,BPF,HPFをモンテカルロシミュレーションで10000個作り、OneHot表現で分類しDNNで分類できるかどうか調べる。

入力データの一部をプロットしたもの。

コードはバックエンドにJaxを使ってKerasで作成。前回はDropout層入れなかったが今度は入れている（前回100％精度で汎化が悪そうなので）。

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

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

from jax import config

config.update("jax_enable_x64", False)

data_label = np.load("filter_classification.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)

# Functional APIでDense層＋Dropout4層にしたDNNを設定

hidden_dim = 500

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

x = keras.layers.Flatten()(inputs)

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

x = keras.layers.Dropout(0.5)(x)

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

x = keras.layers.Dropout(0.5)(x)

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

x = keras.layers.Dropout(0.5)(x)

outputs = keras.layers.Dense(3, activation="softmax")(x)

#　モデルの設定

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

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

            metrics=[keras.metrics.CategoricalAccuracy(name="acc"),])

batch_size = 128

epochs = 50

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}")

結果は…最初がロスで二番目が精度で、

Test Score[1.1920930376163597e-07, 1.0]

あれ、また100％になった。まあ人間が見て100％わかるものだしそんなものか。