我在玩一些2dcnn,用Keras来预测Bike Sharing Demand。你知道吗
与Python相比,R的性能非常差,很容易达到很好的精度。我认为这是因为数组的形状(以及R和Python之间的一些差异),所以我使用了一段时间,最终使用了所有可能的形状。你知道吗
我在其他地方创建了CombinationGrid
对象,如下所示:
+------+------+------+------+-------+
| Dim1 | Dim2 | Dim3 | Dim4 | Order |
+------+------+------+------+-------+
| 8887 | 3 | 2 | 1 | F |
| 3 | 8887 | 2 | 1 | F |
| 8887 | 2 | 3 | 1 | C |
| 2 | 8887 | 3 | 1 | C |
+------+------+------+------+-------+
它是一个包含第四维数组组合的表(在代码中使用,这里会更清楚)。And here's the full version of that, just for reproducibility
#Read data
TrainDF=read_delim(file='train.csv', delim=',')
#Subset
X_Train=TrainDF[2000:nrow(TrainDF),c('temp', 'atemp', 'humidity', 'windspeed', 'casual', 'registered')]
Y_Train=as.matrix(TrainDF[2000:nrow(TrainDF),c('count')])
#YVal
YVal=as.matrix(Y_Train)
#For loop and try all combinations
Results=list()
for(i in 1:nrow(CombinationGrid)){
#Reshape using all possible combinations
XVal=array_reshape(x=as.matrix(X_Train), dim=CombinationGrid[i,1:4], order=CombinationGrid[i,]$Order)
#Keras Model
model=keras_model_sequential()
model %>%
layer_conv_2d(filters=10, kernel_size=c(2,2), padding='same', activation='relu') %>%
layer_conv_2d(filters=15, kernel_size=c(2,2), padding='same', activation='relu') %>%
layer_conv_2d(filters=20, kernel_size=c(3,3), padding='same') %>%
layer_max_pooling_2d(pool_size=c(2,2), strides=1) %>%
layer_flatten() %>%
layer_dense(units=30, activation='relu') %>%
layer_dense(units=20, activation='relu') %>%
layer_dense(units=10, activation='relu') %>%
layer_dense(units=1)
#Compile model
model %>% compile(
loss = 'mse',
optimizer = optimizer_adam(),
metrics = c('accuracy'))
#Train model
Hist=tryCatch({
model %>% fit(XVal, YVal, epochs = 100)
},error=function(e){
Hist=list('metrics'=list('loss'=NA, 'acc'=NA))
})
#Save results
Results[[i]]=list('Loss'=Hist$metrics$loss[length(Hist$metrics$loss)], 'Acc'=Hist$metrics$acc[length(Hist$metrics$acc)])
}
#Read Combination Gird
CombinationGrid=pd.read_table('CombinationGrid.txt')
#Read Dataset
TrainDF = pd.read_csv('train.csv', parse_dates=["datetime"])
#Subset training data
X_Train= TrainDF[1999:]
#Create responser variable
YVal = X_Train[['count']]
#Turn into numpy array
YVal=np.array(YVal)
#Select only usefull parameters
X_Train = X_Train[['temp', 'atemp', 'humidity', 'windspeed', 'casual', 'registered']]
#For loop to try all combinations
Results=[]
for i in range(0,CombinationGrid.shape[0]):
XVal = np.array(X_Train, dtype=np.float32).reshape(tuple(CombinationGrid.iloc[i,])[0:4], order=tuple(CombinationGrid.iloc[i,])[4])
model=keras.Sequential()
model.add(keras.layers.Conv2D(filters=10, kernel_size=[2,2], padding='same', activation='relu'))
model.add(keras.layers.Conv2D(filters=15, kernel_size=[2,2], padding='same', activation='relu'))
model.add(keras.layers.Conv2D(filters=20, kernel_size=[3,3], padding='same'))
model.add(keras.layers.MaxPooling2D(pool_size=[2,2], strides=1))
model.add(keras.layers.Flatten())
model.add(keras.layers.Dense(units=30, activation='relu'))
model.add(keras.layers.Dense(units=20, activation='relu'))
model.add(keras.layers.Dense(units=10, activation='relu'))
model.add(keras.layers.Dense(units=1))
model.compile(optimizer='adam', loss='mse', metrics=['accuracy'])
#Save results
try:
Hist=model.fit(XVal, YVal, epochs=100)
Results.append((Hist.history['loss'][len(Hist.history['loss'])-1],Hist.history['accuracy'][len(Hist.history['accuracy'])-1]))
except:
Results.append((np.nan, np.nan))
pass
我保存了R和Python结果,它们就在这里。数据的所有其他数组形状在Python和R中都失败(可能是因为Y没有合适的形状来匹配预测器):
+------+------+------+------+-------+-------------+-------------+-------------+-------------+
| Dim1 | Dim2 | Dim3 | Dim4 | Order | R Loss | R Acc | Python Loss | Python Acc |
+------+------+------+------+-------+-------------+-------------+-------------+-------------+
| 8887 | 3 | 2 | 1 | F | 0.257986314 | 0.004726004 | 0.264519099 | 0.86125803 |
| 8887 | 2 | 3 | 1 | F | 1.922012638 | 0.004726004 | 0.375910975 | 0.780578375 |
| 8887 | 3 | 2 | 1 | C | 0.062438282 | 0.004726004 | 4.27717965 | 0.700686395 |
| 8887 | 2 | 3 | 1 | C | 0.171041382 | 0.004726004 | 0.054061489 | 0.95262742 |
+------+------+------+------+-------+-------------+-------------+-------------+-------------+
正如你所看到的,上一次的损失看起来很相似,但是最后记录的准确度在两者之间有很大的不同。 我知道我在R和Python中对尺寸和形状的理解以及它们之间的差异方面有一些缺陷,但是在尝试了所有可能的形状之后,却没有得到类似的结果,结果变得很奇怪。 而且,Keras在R中的精确度似乎永远不会改变!你知道吗
我找不到关于这件事的更多信息,只有another post stating the contrary situation。你知道吗
所以,发生了一些事情,这可能是我的错,但我不知道为什么,如果我使用相同的数据,在R中使用Keras不能像在Python中那样获得很好的分数。有什么想法吗?你知道吗
好吧,正如斯凯丹在the issue I opened中向我解释的那样,精确度的差异在于所使用的Keras版本。你知道吗
在Python代码中,将
import keras
更改为import tensorflow.keras as keras
可以提高R和Python之间的匹配精度。你知道吗我找到了关于here和here的更多信息。你知道吗
相关问题 更多 >
编程相关推荐