pso(粒子群算法)算法优化神经网络算法
作者:互联网
本文主要涉及工程实现,若要关注原理,网上比较多啦~
一、pso(粒子群)算法简要介绍
粒子群优化算法(PSO:Particle swarm optimization) 是一种进化计算技术(evolutionary computation)。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想:是通过群体中个体之间的协作和信息共享来寻找最优解.
PSO的优势:在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
二、代码关键实现
首先需要安装pywarm这个训练包,使用
pip install pywarm
from pyswarm import pso
#fine_tuning,nnunits,dropout,learning_rate
lb=[0.2,0.0008]
ub=[0.5,0.003]
#上面是要调节的超参数的两个阈值。
xopt, fopt = pso(best_model, lb, ub)
其中best_model为我们神经网络返回的值,作为粒子群算法的目标值。本程序中设置的适应度函数的目标值为accuracy。下面是神经网络的部分代码。使用的是renet
def best_model(x,count=1):
model = model_design(x)
history = model.fit(X_train,
Y_train,
batch_size=1000,
epochs=50,
verbose=2,
validation_data=(X_test, Y_test),
#validation_split = 0.3,
callbacks = [
keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=True, mode='auto'),
keras.callbacks.EarlyStopping(monitor='val_loss', patience=10, verbose=0, mode='auto')
])
train_loss, train_acc = model.evaluate(X_train, Y_train, verbose=0)
print(f"Train Accuracy:{train_acc} Train Loss: {train_loss}")
test_loss, test_acc = model.evaluate(X_test, Y_test, verbose=0)
print(f"Test Accuracy:{test_acc} Test Loss: {test_loss}")
model.save(f"./model/model-{count}-{round(test_acc, 3)}-{round(test_loss, 3)}--Units-{x[0]}--Learning_rate-{x[1]}")
np.savetxt(f"data-{count}.csv", x, delimiter=',')
count = count
test_acc_list = []
test_loss_list = []
count_no = []
test_units = []
test_learning_rate = []
if test_acc > 0.99 and count < 0:
# Plot the graph
count = count - 1
count_no.append(count)
test_acc_list.append(test_acc)
test_loss_list.append(test_loss)
test_units.append(x[0])
test_learning_rate.append(x[1])
global result
result = pd.DataFrame()
result["count_no"] = count_no
result["Test_Acc"] = test_acc_list
result["Test_Loss"] = test_loss_list
result["Units"] = test_units
result["Learning_rate"] = test_learning_rate
#描述训练集的loss
val_loss_list = history.history['val_loss']
loss_list = history.history['loss']
plt.plot(range(len(loss_list)), val_loss_list)
plt.plot(range(len(loss_list)), loss_list)
plt.show()
return test_acc
以上是使用pso算法进行神经网络优化的实现代码。具体全部代码的内容可以去我的github获取
https://github.com/cyjack/pso-deeplearning.git
三、相关信息
如果有关于pso进行模型参数优化的问题,可以来咨询我~微信:Paper_pass_a
标签:count,loss,pso,list,神经网络,算法,test,model,acc 来源: https://blog.csdn.net/cccyjack/article/details/121651857