(python)GA（遗传算法）优化LSTM神经网络(亲测成功，速度慢)
作者：互联网
1.项目概述
本文采用的是python编程，使用的数据集是mnist手写数据集，该数据集主要是对0-9的手写数字体识别，虽然说图像识别方面用CNN识别率较高，但这里LSTM也可以获取较高的准确率。
2.优化参数
本文优化的是LSTM的层数参数和各层神经元参数，其中包含了lstm层和Dense层，其中我们规定了神经网络的层数不超过3层，每层的神经元个数在[32,256]之间。
3.注意事项
1.本文的遗传算法编码并非2进制编码，而是由各个参数组成的一维数组。
2.在遗传算法交叉、变异操作中，关于神经网络层数的参数不进行交叉，只对神经网神经元个数进行交叉、变异。
3.文件为两部分每一部分为lstm的部分，一部分为ga部分
LSTM部分
#本章节GA_LSTM是关于遗传算法优化lstm算法的层数和全连接层数及每层神经元的个数
import numpy as np
import pandas as pd
import tensorflow as tf
import matplotlib as plt
from tensorflow.keras.layers import Input,LSTM,Dropout,Dense,BatchNormalization
from tensorflow.keras import optimizers,losses,metrics,models,Sequential
'''
本文的主要内容如下：
1.本文章是对lstm网络的优化，优化的参数主要有：lstm层的层数，lstm隐藏层的神经元个数，dense层的层数，dense层的神经元个数
2.本文章利用的是遗传算法进行优化，其中编码形式并未采用2进制编码，只是将2数组之间的元素交换位置。
3.本文的lstm和dense的层数都在1-3的范围内，因为3层的网络足以拟合非线性数据
4.程序主要分为2部分，第一部分是lstm网络的设计，第二部分是遗传算法的优化。
5.代码的解释已详细写在对应的部分，有问题的同学可以在评论区进行交流
'''
#导入数据集，本文用的是mnist手写数据集，该数据主要是对手写体进行识别0-9的数字
def load_data():
#从tensorflow自带的数据集中导入数据
(x_train,y_train),(x_test,y_test)=tf.keras.datasets.mnist.load_data()
#主要进行归一化操作
x_train, x_test = x_train / 255.0, x_test / 255.0
return x_train,x_test,y_test,y_train
#定义LSTM模型
def lstm_mode(inputs, units_num, sequences_state):
#input主要是用来定义lstm的输入，input的一般是在第一层lstm层之前，units_num即是隐藏层神经元个数，sequence_state即是lstm层输出的方式
lstm=LSTM(units_num,return_sequences=sequences_state)(inputs)
print("lstm:",lstm.shape)
return lstm
#定义全连接层、BN层
def dense_mode(input,units_num):
#这里主要定义全连接层的输入，input参数定义dense的第一次输入，units_num代表隐藏层神经元个数
#这里定义全连接层，采用L2正则化来防止过拟合，激活函数为relu
dense=Dense(units_num,kernel_regularizer=tf.keras.regularizers.l2(0.001),activation='relu')(input)
print("dense：",dense.shape)
#定义dropout层，概率为0.2
drop_out=Dropout(rate=0.2)(dense)
#定义BN层，可以理解为是隐藏层的标准化过程
dense_bn=BatchNormalization()(drop_out)
return dense,drop_out,dense_bn
#这里定义的即是评价lstm效果的函数——也是遗传算法的适应度函数
def aim_function(x_train,y_train,x_test,y_test,num):
#这里传入数据和参数数组num,num保存了需要优化的参数
#这里我们设置num数组中num[0]代表lstm的层数。
lstm_layers=num[0]
#num[2:2 + lstm_layers]分别为lstm各层的神经元个数，有同学不知道num(1)去哪了(num(1)为全连接层的层数)
lstm_units = num[2:2 + lstm_layers]
#将num
lstm_name = list(np.zeros((lstm_layers,)))
# 设置全连接层的参数
#num(1)为全连接的参数
lstm_dense_layers = num[1]
#将lstm层之后的地方作为全连接层各层的参数
lstm_dense_units = num[2 + lstm_layers: 2 + lstm_layers + lstm_dense_layers]
#
lstm_dense_name = list(np.zeros((lstm_dense_layers,)))
lstm_dense_dropout_name = list(np.zeros((lstm_dense_layers,)))
lstm_dense_batch_name = list(np.zeros((lstm_dense_layers,)))
#这主要是定义lstm的第一层输入，形状为训练集数据的形状
inputs_lstm = Input(shape=(x_train.shape[1], x_train.shape[2]))
#这里定义lstm层的输入（如果为第一层lstm层，则将初始化的input输入，如果不是第一层，则接受上一层输出的结果）
for i in range(lstm_layers):
if i == 0:
inputs = inputs_lstm
else:
inputs = lstm_name[i - 1]
if i == lstm_layers - 1:
sequences_state = False
else:
sequences_state = True
#通过循环，我们将每层lstm的参数都设计完成
lstm_name[i] = lstm_mode(inputs, lstm_units[i], sequences_state=sequences_state)
#同理设计全连接层神经网络的参数
for i in range(lstm_dense_layers):
if i == 0:
inputs = lstm_name[lstm_layers - 1]
else:
inputs = lstm_dense_name[i - 1]
lstm_dense_name[i], lstm_dense_dropout_name[i], lstm_dense_batch_name[i] = dense_mode(inputs,units_num=lstm_dense_units[i])
#这里是最后一层：分类层，softmax
outputs_lstm = Dense(10, activation='softmax')(lstm_dense_batch_name[lstm_dense_layers - 1])
print("last_dense",outputs_lstm.shape)
# 利用函数式调试神经网络，调用inputs和outputs之间的神经网络
LSTM_model =tf.keras.Model(inputs=inputs_lstm, outputs=outputs_lstm)
# 编译模型
LSTM_model.compile(optimizer=optimizers.Adam(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
print("训练集形状",x_train.shape)
history = LSTM_model.fit(x_train, y_train,batch_size=32, epochs=1, validation_split=0.1, verbose=1)
# 验证模型,model.evaluate返回的值是一个数组，其中score[0]为loss,score[1]为准确度
acc = LSTM_model.evaluate(x_test, y_test, verbose=0)
return acc[1]
GA优化部分
#GA优化lstm的遗传算法部分
import GA_LSTM_lstm as ga
import numpy as np
import pandas as pd
import matplotlib as plt
import os
#不显示警告信息
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
#设置遗传算法的参数
DNA_size = 2
DNA_size_max = 8 # 每条染色体的长度
POP_size = 20 # 种群数量
CROSS_RATE = 0.5 # 交叉率
MUTATION_RATE = 0.01# 变异率
N_GENERATIONS = 40 # 迭代次数
#接收数据
x_train,x_test,y_test,y_train = ga.load_data()
# 定义适用度函数，即aim_function函数，接收返回值
def get_fitness(x):
return ga.aim_function(x_train,y_train,x_test,y_test,num=x)
# 生成新的种群
def select(pop,fitness):
#这里主要是进行选择操作，即从20个种群中随机选取重复随机采样出20个种群进行种群初始化操作，p代表被选择的概率，这里采用的是轮盘赌的方式
idx = np.random.choice(np.arange(POP_size),size=POP_size,replace=True,p=fitness/fitness.sum())
#将选择的种群组成初始种群pop
return pop[idx]
# 交叉函数
def crossover(parent,pop):
#这里主要进行交叉操作，随机数小于交叉概率则发生交叉
if np.random.rand() < CROSS_RATE:
#从20个种群中选择一个种群进行交叉
i_ = np.random.randint(0,POP_size,size=1) # 染色体的序号
#这里将生成一个8维的2进制数，并转换层成bool类型，true表示该位置交叉，False表示不交叉
cross_points = np.random.randint(0,2,size=DNA_size_max).astype(np.bool) # 用True、False表示是否置换
# 这一部分主要是对针对不做变异的部分
for i,point in enumerate(cross_points):
'''
第一部分：这里是指该位点为神经元个数的位点，本来该交换，但其中位点为0,
什么意思呢？即[2,3,32,43,34,230,43,46,67]和[2,2,32,54,55,76,74,26,0],末尾的0位置就
不应该交叉，因为交叉完后,会对前两位的参数产生影响。
第二部分：即对前两位不进行交叉操作，因为前两位代表的是层数，层数交叉后会对神经元的个数产生影响
'''
#第一部分
if point == True and pop[i_,i] * parent[i] == 0:
cross_points[i] = False
#第二部分
if point == True and i < 2:
cross_points[i] = False
# 将第i_条染色体上对应位置的基因置换到parent染色体上
parent[cross_points] = pop[i_,cross_points]
return parent
# 定义变异函数
def mutate(child):
#变异操作也只是针对后6位参数
for point in range(DNA_size_max):
if np.random.rand() < MUTATION_RATE:
#2位参数之后的参数才才参与变异
if point >= 2:
if child[point] != 0:
child[point] = np.random.randint(32,257)
return child
#初始化2列层数参数
pop_layers = np.zeros((POP_size,DNA_size),np.int32)
pop_layers[:,0] = np.random.randint(1,4,size=(POP_size,))
pop_layers[:,1] = np.random.randint(1,4,size=(POP_size,))
# 种群
#初始化20x8的种群
pop = np.zeros((POP_size,DNA_size_max))
# 将初始化的种群赋值，前两列为层数参数，后6列为神经元个数参数
for i in range(POP_size):
#随机从[32,256]中抽取随机数组组成神经元个数信息
pop_neurons = np.random.randint(32,257,size=(pop_layers[i].sum(),))
#将2列层数信息和6列神经元个数信息合并乘8维种群信息
pop_stack = np.hstack((pop_layers[i],pop_neurons))
#将这些信息赋值给pop种群进行初始化种群
for j,gene in enumerate(pop_stack):
pop[i][j] = gene
# 在迭代次数内，计算种群的适应度函数
for each_generation in range(N_GENERATIONS):
# 初始化适应度
fitness = np.zeros([POP_size,])
# 遍历20个种群，对基因进行操作
for i in range(POP_size):
pop_list = list(pop[i])
# 第i个染色体上的基因
#对赋值为0的基因进行删除
for j,each in enumerate(pop_list):
if each == 0.0:
index = j
pop_list = pop_list[:j]
#将基因进行转换为int类型
for k,each in enumerate(pop_list):
each_int = int(each)
pop_list[k] = each_int
#将计算出来的适应度填写在适应度数组中
fitness[i] = get_fitness(pop_list)
#输出结果
print('第%d代第%d个染色体的适应度为%f'%(each_generation+1,i+1,fitness[i]))
print('此染色体为：',pop_list)
print('Generation:',each_generation+1,'Most fitted DNA:',pop[np.argmax(fitness),:],'适应度为：',fitness[np.argmax(fitness)])
# 生成新的种群
pop = select(pop,fitness)
# 复制一遍种群
pop_copy = pop.copy()
#遍历pop中的每一个种群，进行交叉，变异，遗传操作
for parent in pop:
child = crossover(parent,pop_copy)
child = mutate(child)
parent = child
运行结果如下
1688/1688 [==============================] - 21s 10ms/step - loss: 0.7340 - accuracy: 0.8076 - val_loss: 0.1616 - val_accuracy: 0.9730
第1代第1个染色体的适应度为0.966900
此染色体为： [1, 1, 151, 248]
lstm: (None, 83)
dense： (None, 200)
last_dense (None, 10)
训练集形状 (60000, 28, 28)
1688/1688 [==============================] - 19s 10ms/step - loss: 0.7532 - accuracy: 0.7855 - val_loss: 0.1744 - val_accuracy: 0.9672
第1代第2个染色体的适应度为0.961300
此染色体为： [1, 1, 83, 200]
lstm: (None, 28, 135)
lstm: (None, 28, 41)
lstm: (None, 126)
dense： (None, 47)
last_dense (None, 10)
训练集形状 (60000, 28, 28)
1688/1688 [==============================] - 33s 17ms/step - loss: 0.7534 - accuracy: 0.7755 - val_loss: 0.1258 - val_accuracy: 0.9717
第1代第3个染色体的适应度为0.967800
此染色体为： [3, 1, 135, 41, 126, 47]
lstm: (None, 28, 247)
lstm: (None, 28, 82)
lstm: (None, 71)
dense： (None, 190)
dense： (None, 161)
dense： (None, 124)
last_dense (None, 10)
训练集形状 (60000, 28, 28)
欢迎点赞 收藏 加关注
参考链接：
标签：layers,dense,python,pop,GA,np,遗传算法,lstm,size 来源： https://blog.csdn.net/Vertira/article/details/122403571