亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

回歸預(yù)測(cè)! 手把手實(shí)現(xiàn)MATLAB的CNN 卷積神經(jīng)網(wǎng)絡(luò)回歸

  發(fā)布時(shí)間：2025-01-13 11:15:38   作者：佚名   我要評(píng)論
MATLAB自帶一個(gè)回歸教程，但是很多朋友不會(huì)跟著學(xué)，今天我們就來(lái)分享MATLAB實(shí)現(xiàn)CNN的技巧

基于MATLAB的深度學(xué)習(xí)工具箱（推薦2018b以上），實(shí)現(xiàn)CNN回歸。網(wǎng)上的例子比較少，這里簡(jiǎn)單的說(shuō)一下傳統(tǒng)的多輸入單輸出怎么做。手把手的教（PS:MATLAB自帶一個(gè)回歸教程，竟然還是有學(xué)生不知道對(duì)照著寫(xiě)）

1、首先加載數(shù)據(jù)與數(shù)據(jù)集劃分

clc;clear;close all
load data
n=700;
train_x=input(:,1:n);
train_y=output(:,1:n);
test_x=input(:,n+1:end);
test_y=output(:,n+1:end);

我的輸入數(shù)據(jù)是m*n形式的，m代表有多少個(gè)輸入特征（如下訓(xùn)練集集數(shù)據(jù)特征是209個(gè)），n是有多少個(gè)樣本（如下訓(xùn)練集數(shù)據(jù)樣本是700個(gè)），輸出數(shù)據(jù)是1*n，1代表輸出是單輸出。劃分后如下

2、數(shù)據(jù)歸一化（或者標(biāo)準(zhǔn)化，看哪個(gè)效果好）

method=@mapminmax;
% method=@mapstd;
[train_x,train_ps]=method(train_x);
test_x=method('apply',test_x,train_ps);
[train_y,output_ps]=method(train_y);
test_y=method('apply',test_y,output_ps);

程序里用的是mapminmax，就是極大極小值歸一化，

3、數(shù)據(jù)的一個(gè)轉(zhuǎn)換，轉(zhuǎn)換成MATLAB的CNN的輸入數(shù)據(jù)形式，是4-D形式的，最后一維就是樣本數(shù)

trainD=reshape(train_x,[209,1,1,700]);%訓(xùn)練集輸入
testD=reshape(test_x,[209,1,1,311]);%測(cè)試集輸入
targetD = train_y;%訓(xùn)練集輸出
targetD_test  = test_y;%測(cè)試集輸出

轉(zhuǎn)換后訓(xùn)練集輸入的size是209*1*1*700，輸出的size是1*700

4、CNN模型建立

layers = [
    imageInputLayer([209 1 1]) %輸入層參數(shù)設(shè)置
    convolution2dLayer([3,1],16,'Padding','same')%卷積層的核大小[3 1],因?yàn)槲覀兊妮斎胧荹209 1],是一維的數(shù)據(jù)，所以卷積核第二個(gè)參數(shù)為1就行了，這樣就是1d卷積
%、數(shù)量，填充方式
    reluLayer%relu激活函數(shù)
    maxPooling2dLayer([2 1],'Stride',2)% 2x1 kernel stride=2
    fullyConnectedLayer(384) % 384 全連接層神經(jīng)元
    reluLayer%relu激活函數(shù)
    fullyConnectedLayer(384) % 384 全連接層神經(jīng)元
    fullyConnectedLayer(1) % 輸出層神經(jīng)元
    regressionLayer];%添加回歸層，用于計(jì)算損失值

5、模型訓(xùn)練與測(cè)試

% 設(shè)置迭代次數(shù) batchsize 學(xué)習(xí)率啥的
options = trainingOptions('adam', ...
    'MaxEpochs',20, ...
    'MiniBatchSize',16, ...
    'InitialLearnRate',0.005, ...
    'GradientThreshold',1, ...
    'Verbose',false,...
    'Plots','training-progress',...
    'ValidationData',{testD,targetD_test'});
%這里要吐槽一下，輸入數(shù)據(jù)都是最后一維為樣本數(shù)，偏偏輸出要第一維為樣本數(shù)，所以targetD和targetD_test都取了轉(zhuǎn)置
% 訓(xùn)練
net = trainNetwork(trainD,targetD',layers,options);
% 預(yù)測(cè)
YPred = predict(net,testD);
% 結(jié)果
YPred=double(YPred');%輸出是n*1的single型數(shù)據(jù)，要轉(zhuǎn)換為1*n的double是數(shù)據(jù)形式
% 反歸一化
predict_value=method('reverse',YPred,output_ps);predict_value=double(predict_value);
true_value=method('reverse',targetD_test,output_ps);true_value=double(true_value);

如果options里面沒(méi)有ValidationData那一句，就看不到驗(yàn)證集（比較懶，沒(méi)有換分驗(yàn)證集，用的測(cè)試集代替）的loss變化，就不方便判斷模型有沒(méi)有過(guò)擬合。

6、最后是模型評(píng)價(jià)

 
figure
plot(true_value,'-*','linewidth',3)
hold on
plot(predict_value,'-s','linewidth',3)
legend('實(shí)際值','預(yù)測(cè)值')
grid on
rmse=sqrt(mean((true_value-predict_value).^2));
disp(['根均方差(RMSE)：',num2str(rmse)])
mae=mean(abs(true_value-predict_value));
disp(['平均絕對(duì)誤差（MAE）：',num2str(mae)])
mape=mean(abs((true_value-predict_value)./true_value));
disp(['平均相對(duì)百分誤差（MAPE）：',num2str(mape*100),'%'])

根均方差(RMSE)：9.3368e-05
平均絕對(duì)誤差（MAE）：6.9173e-05
平均相對(duì)百分誤差（MAPE）：0.0069244%

相關(guān)文章

最新評(píng)論