编程语言
首页 > 编程语言> > (python)GA(遗传算法)优化LSTM神经网络(亲测成功,速度慢)

(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:

python深度学习之GA(遗传算法)优化LSTM神经网络_柳小葱的博客-CSDN博客_lstm优化上次优化完bp神经网络后,发现用matlab优化高级的神经网络太慢了,于是用tensorflow继续学习GA优化部分。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https://liuxiaocong.blog.csdn.net/article/details/114830709?spm=1001.2101.3001.6650.2&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-2.no_search_link&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-2.no_search_link&utm_relevant_index=5

标签:layers,dense,python,pop,GA,np,遗传算法,lstm,size
来源: https://blog.csdn.net/Vertira/article/details/122403571