高周波エンジニアのためのAI・機械学習入門（GPU編18）PythonとKeras3.0とscikit-rfを使ってCNNで同軸コネクタがついたマイクロストリップライン（誘電率、L、C、線幅、厚みを振った）のSパラメータからTDRでは出せない複素特性インピーダンスを推定する。精度向上した。

前回はDNNで推定してみた。今回はCNN(畳み込みニューラルネットワーク)を試してみよう。

コードはこちら。

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'

from jax import config

config.update("jax_enable_x64", False)

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

data = data_label["data"]

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)

#正規化

scaler_y = StandardScaler()

y_train_f = scaler_y.fit_transform(y_train)

y_test_f  = scaler_y.transform(y_test)

# 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(2)(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 = 64

epochs = 500

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 = ["Z0"]

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

maxrvalue = y_pred[:,0].max()

minrvalue = y_pred[:,0].min()

maxivalue = y_pred[:,1].max()

minivalue = y_pred[:,1].min()

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

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

ax[0, 0].set_xlabel("推定した値（実部）")

ax[0, 0].set_ylabel("実際の値（実部）")

ax[0, 0].set_xlim(minrvalue, maxrvalue)

ax[0, 0].set_ylim(minrvalue, maxrvalue)

ax[0, 0].grid()

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

ax[1, 0].hist(error[:, 0], bins = 100)

ax[1, 0].set_xlabel("誤差[%]（実部）")

ax[1, 0].set_ylabel("頻度")

ax[1, 0].grid()

ax[0, 1].scatter(y_pred[:,1], y_test[:,1], c="r", s=5)

ax[0, 1].plot([0,maxivalue], [0,maxivalue], "--", c="black")

ax[0, 1].set_xlabel("推定した値（虚部）")

ax[0, 1].set_ylabel("実際の値（虚部）")

ax[0, 1].set_xlim(minivalue, maxivalue)

ax[0, 1].set_ylim(minivalue, maxivalue)

ax[0, 1].grid()

ax[0, 1].legend([legend[0] + f" 平均誤差（虚部）{error.mean(axis=0)[1]:.2f}%"])

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

ax[1, 1].set_xlabel("誤差[%]（虚部）")

ax[1, 1].set_ylabel("頻度")

ax[1, 1].grid()

fig.tight_layout()

plt.show()

結果はこちら。かなり精度が向上した。時間は4倍以上かかるが…

次はTransformer試してみよう（続く）。