继续浏览精彩内容
慕课网APP
程序员的梦工厂
打开
继续
感谢您的支持,我会继续努力的
赞赏金额会直接到老师账户
将二维码发送给自己后长按识别
微信支付
支付宝支付

机器学习与Tensorflow(6)——LSTM的Tensorflow实现、Tensorboard简单实现、CNN应用

暮色呼如
关注TA
已关注
手记 247
粉丝 86
获赞 309

最近写的一些程序以及做的一个关于轴承故障诊断的程序

最近学习进度有些慢

而且马上假期

要去补习班

去赚下学期生活费

额。。。。

抓紧时间再多学习点

1.RNN递归神经网络Tensorflow实现程序

复制代码

 1 import os 2 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 3 import tensorflow as tf 4 from tensorflow.examples.tutorials.mnist import input_data 5 #载入数据集 6 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True) 7  8 # 输入图片是28*28 9 n_inputs = 28 #输入一行,一行有28个数据10 max_time = 28 #一共28行11 lstm_size = 100 #隐层单元12 n_classes = 10 # 10个分类13 batch_size = 50 #每批次50个样本14 n_batch = mnist.train.num_examples // batch_size #计算一共有多少个批次15 16 #这里的none表示第一个维度可以是任意的长度17 x = tf.placeholder(tf.float32,[None,784])18 #正确的标签19 y = tf.placeholder(tf.float32,[None,10])20 21 #初始化权值22 weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))23 #初始化偏置值24 biases = tf.Variable(tf.constant(0.1, shape=[n_classes]))25 26 27 #定义RNN网络28 def RNN(X,weights,biases):29     # inputs=[batch_size, max_time, n_inputs]30     inputs = tf.reshape(X,[-1,max_time,n_inputs])31     #定义LSTM基本CELL32     lstm_cell = tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(lstm_size)33     # final_state[0]是cell state34     # final_state[1]是hidden_state35     outputs,final_state = tf.nn.dynamic_rnn(lstm_cell,inputs,dtype=tf.float32)36     results = tf.nn.softmax(tf.matmul(final_state[1],weights) + biases)37     return results38     39     40 #计算RNN的返回结果41 prediction= RNN(x, weights, biases)  
42 #损失函数43 cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction,labels=y))44 #使用AdamOptimizer进行优化45 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)46 #结果存放在一个布尔型列表中47 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置48 #求准确率49 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#把correct_prediction变为float32类型50 #初始化51 init = tf.global_variables_initializer()52 53 with tf.Session() as sess:54     sess.run(init)55     for epoch in range(6):56         for batch in range(n_batch):57             batch_xs,batch_ys =  mnist.train.next_batch(batch_size)58             sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})59         60         acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})61         print ("Iter " + str(epoch) + ", Testing Accuracy= " + str(acc))

复制代码

View Code

2.关于Tensorboard的简单学习(以MNIST手写数据集程序为例)

复制代码

 1 import os 2 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 3 import tensorflow as tf 4 from tensorflow.examples.tutorials.mnist import input_data 5 #载入数据集 6 mnist = input_data.read_data_sets('MNIST_data', one_hot=True) 7 #每个批次的大小(即每次训练的图片数量) 8 batch_size = 100 9 #计算一共有多少个批次10 n_bitch = mnist.train.num_examples // batch_size11 #参数概要12 def variable_summaries(var):13     with tf.name_scope('summaries'):14         mean = tf.reduce_mean(var)15         tf.summary.scalar('mean', mean)  #平均值16         with tf.name_scope('stddev'):17             stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))18         tf.summary.scalar('stddev', stddev) #标准差19         tf.summary.scalar('max', tf.reduce_max(var))20         tf.summary.scalar('min', tf.reduce_min(var))21         tf.summary.histogram('histogram', var)#直方图22 #定义一个命名空间23 with tf.name_scope('input'):24     #定义两个placeholder25     x = tf.placeholder(tf.float32, [None, 784], name='x_input')26     y = tf.placeholder(tf.float32, [None, 10], name='y_input')27 with tf.name_scope('layer'):28     #创建一个只有输入层(784个神经元)和输出层(10个神经元)的简单神经网络29     with tf.name_scope('weights'):30         Weights = tf.Variable(tf.zeros([784, 10]), name='w')31         variable_summaries(Weights)32     with tf.name_scope('biases'):33         Biases = tf.Variable(tf.zeros([10]), name='b')34         variable_summaries(Biases)35     with tf.name_scope('Wx_plus_B'):36         Wx_plus_B = tf.matmul(x, Weights) + Biases37     with tf.name_scope('softmax'):38         prediction = tf.nn.softmax(Wx_plus_B)39 #二次代价函数40 with tf.name_scope('loss'):41     loss = tf.reduce_mean(tf.square(y - prediction))42     tf.summary.scalar('loss', loss)43 #使用梯度下降法44 with tf.name_scope('train'):45     train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)46 #初始化变量47 init = tf.global_variables_initializer()48 #结果存放在一个布尔型列表中49 with tf.name_scope('accuracy'):50     with tf.name_scope('correct_prediction'):51         correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1)) #argmax返回一维张量中最大的值所在的位置,标签值和预测值相同,返回为True52 #求准确率53     with tf.name_scope('correct_prediction'):54         accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #cast函数将correct_prediction的布尔型转换为浮点型,然后计算平均值即为准确率55 56 #合并所有的summary57 merged = tf.summary.merge_all()58 59 #定义会话60 with tf.Session() as sess:61     sess.run(init)62     writer = tf.summary.FileWriter('logs/', sess.graph)63     #将测试集循环训练50次64     for epoch in range(51):65         #将测试集中所有数据循环一次66         for batch in range(n_bitch):67             batch_xs, batch_ys = mnist.train.next_batch(batch_size)   #取测试集中batch_size数量的图片及对应的标签值68             summary,_= sess.run([merged, train_step], feed_dict={x:batch_xs, y:batch_ys})  #将上一行代码取到的数据进行训练69         writer.add_summary(summary, epoch)70         acc = sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.labels})  #准确率的计算71         print('Iter : ' + str(epoch) + ',Testing Accuracy = ' + str(acc))

复制代码

View Code

3. CNN应用——简单的轴承故障诊断模型

3.1数据来源及介绍

轴承、轴、齿轮是旋转机械重要组成部分,为了验证深度学习在旋转装备故障分类识别的有效性,

选取凯斯西储大学轴承数据库(Case Western Reserve University, CWRU)为验证数据。

轴承通过电火花加工设置成四种尺寸的故障直径,分别为0.007、0.014、0.021、0.028英寸。

实验中使用加速度传感器采集振动信号,传感器分别被放置在电机驱动端与风扇端。

由于驱动端采集到的振动信号数据全面,并且收到其他部件和环境噪声的干扰较少,选取驱动端采集的振动信号作为实验数据。

实验数据包括4种轴承状态下采集到的振动信号,分别为正常状态(Normal,N)、滚珠故障状态(Ball Fault,BF)、外圈故障状态(Outer Race Fault,ORF)以及内圈故障状态(Inner Race Fault,IRF),

每种状态下采集到的信号又按照故障直径与负载的大小进行分类,其中故障直径分别为0.007、0.014、0.021、0.028英寸,负载大小从0Hp-3Hp(1Hp=746W),对应转速为1797rpm、1772rpm、1750rpm、1730rpm。

选取CWRU数据集中采样频率为12k Hz的各个状态的样本,通过深度学习建立故障诊断模型,对电机轴承的四种故障进行分类识别。

由于负载的不同,转速不恒定,但采集的转速都在1800rpm左右,采样频率为12kHz,转轴转一圈,约采集400(60/1800*12000 = 400)个数据点。

由于采用原始数据切分方式,通常取稍微大于一个周期的点数比较合适,为了便于多层CNN网络的输入,以24*24=576点作为输入长度。

 

3.2 Matlab数据处理程序

复制代码

 1 clear all; 2 clc; 3 load DataSet; 4 [iType, iCondition] = size(A); 5 iExtSize = 24*24; 6 iSampleRate = 12000; 7 iTime = 10; 8 iOverlap = floor(iExtSize * 0.9); 9 iUCover = iExtSize - iOverlap;10 iGetDataLen = iSampleRate*iTime + iExtSize;11 iLen2 = floor((iGetDataLen-iExtSize)/iUCover) + 1;12 iLen1 =  floor(iLen2/100)*100;13 iGetDataLen = iLen1*iUCover + iExtSize;14 fExtSamp = zeros(iType, iGetDataLen);15  16 tmp = 0;17 for jCnt = 1: iType18     str1 = sprintf('%03d',A(jCnt,1));19     szValName = strcat('X', str1, '_DE_time');20     eval(strcat('tmp=',szValName,';'));21     fExtSamp(jCnt,:) = tmp(1:iGetDataLen);22 end23 iLen = iLen1;24 iSampSize = iLen * iType;25 fData = zeros(iSampSize, iExtSize);26 fLabel = zeros(iSampSize, 4);27  28 for iCnt = 1:1:iLen29     iInterval = (iCnt -1)*iUCover + (1:1:iExtSize);30     for jCnt =1:1:iType31         fData((iCnt - 1)*iType + jCnt,:) = fExtSamp(jCnt, iInterval);32         if (jCnt ==1)33             fLabel((iCnt - 1)*iType + jCnt,:) = [1 0 0 0];34         end35         if (jCnt >=2 && jCnt<=5)36             fLabel((iCnt - 1)*iType + jCnt,:) = [0 1 0 0];37         end38         if (jCnt >=6 && jCnt<=9)39             fLabel((iCnt - 1)*iType + jCnt,:) = [0 0 1 0];40         end41         if (jCnt >=10)42             fLabel((iCnt - 1)*iType + jCnt,:) = [0 0 0 1];43         end44     end45 end46 save('DL_Data90.mat','fData', 'fLabel');

复制代码

View Code

3.3 CNN轴承故障诊断模型

复制代码

  1 import os  2 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  3 import numpy as np  4 import tensorflow as tf  5 from tensorflow.contrib import rnn  6 import matplotlib.pyplot as plt  7    8 nSampleSize = 20000     # 总样本数  9 nSig_dim = 576          # 单个样本维度 10 nLab_dim = 4            # 类别维度 11   12 learning_rate = 1e-3 13 batch_size = tf.placeholder(tf.int32, [])   # 在训练和测试,用不同的 batch_size 14 input_size = 24     # 每个时刻的输入维数为 24 15 timestep_size = 24  # 时序长度为24 16 hidden_size = 128   # 每个隐含层的节点数 17 layer_num = 3       # LSTM layer 的层数 18 class_num = nLab_dim       # 类别维数 19   20 def getdata(nSampSize=20000): 21     # 读取float型二进制数据 22     signal = np.fromfile('DLdata90singal.raw', dtype=np.float64) 23     labels = np.fromfile('DLdata90labels.raw', dtype=np.float64) 24     #由于matlab 矩阵写入文件是按照【列】优先, 需要按行读取 25     mat_sig = np.reshape(signal,[-1, nSampSize]) 26     mat_lab = np.reshape(labels,[-1, nSampSize]) 27     mat_sig = mat_sig.T # 转换成正常样式 【样本序号,样本维度】 28     mat_lab = mat_lab.T 29     return mat_sig, mat_lab 30   31 def zscore(xx): 32     # 样本归一化到【-1,1】,逐条对每个样本进行自归一化处理 33     max1 = np.max(xx,axis=1)    #按行或者每个样本,并求出单个样本的最大值 34     max1 = np.reshape(max1,[-1,1])  # 行向量 ->> 列向量 35     min1 = np.min(xx,axis=1)    #按行或者每个样本,并求出单个样本的最小值 36     min1 = np.reshape(min1,[-1,1])  # 行向量 ->> 列向量 37     xx = (xx-min1)/(max1-min1)*2-1 38     return xx 39   40 def NextBatch(iLen, n_batchsize): 41     # iLen: 样本总数 42     # n_batchsize: 批处理大小 43     # 返回n_batchsize个随机样本(序号) 44     ar = np.arange(iLen)    # 生成0到iLen-1,步长为1的序列 45     np.random.shuffle(ar)   # 打乱顺序 46     return ar[0:n_batchsize] 47   48 xs = tf.placeholder(tf.float32, [None, nSig_dim]) 49 ys = tf.placeholder(tf.float32, [None, class_num]) 50 keep_prob = tf.placeholder(tf.float32) 51   52 x_input = tf.reshape(xs, [-1, 24, 24]) 53   54 # 搭建LSTM 模型 55 def unit_LSTM(): 56     # 定义一层 LSTM_cell,只需要说明 hidden_size 57     lstm_cell = rnn.BasicLSTMCell(num_units=hidden_size, forget_bias=1.0, state_is_tuple=True) 58     #添加 dropout layer, 一般只设置 output_keep_prob 59     lstm_cell = rnn.DropoutWrapper(cell=lstm_cell, input_keep_prob=1.0, output_keep_prob=keep_prob) 60     return lstm_cell 61   62 #调用 MultiRNNCell 来实现多层 LSTM 63 mLSTM_cell = rnn.MultiRNNCell([unit_LSTM() for icnt in range(layer_num)], state_is_tuple=True) 64   65 #用全零来初始化state 66 init_state = mLSTM_cell.zero_state(batch_size, dtype=tf.float32) 67 outputs, state = tf.nn.dynamic_rnn(mLSTM_cell, inputs=x_input,initial_state=init_state, time_major=False) 68 h_state = outputs[:, -1, :]  # 或者 h_state = state[-1][1] 69   70 #设置 loss function 和 优化器 71 W = tf.Variable(tf.truncated_normal([hidden_size, class_num], stddev=0.1), dtype=tf.float32) 72 bias = tf.Variable(tf.constant(0.1,shape=[class_num]), dtype=tf.float32) 73 y_pre = tf.nn.softmax(tf.matmul(h_state, W) + bias) 74  75 #损失和评估函数 76 cross_entropy = tf.reduce_mean(tf.reduce_sum(-ys*tf.log(y_pre),reduction_indices=[1])) 77 train_op = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy) 78 correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(ys,1)) 79 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 80   81   82 mydata = getdata() 83 iTrainSetSize =  np.floor(nSampleSize*3/4).astype(int) # 训练样本个数 84 iIndex = np.arange(nSampleSize) # 按照顺序,然后划分训练样本、测试样本 85 train_index = iIndex[0:iTrainSetSize] 86 test_index = iIndex[iTrainSetSize:nSampleSize] 87   88 train_data = mydata[0][train_index]     # 训练数据 89 train_y = mydata[1][train_index]        # 训练标签 90 test_data = mydata[0][test_index]       # 测试数据 91 test_y = mydata[1][test_index]          # 测试标签 92   93 train_x = zscore(train_data)        # 对训练数据进行归一化 94 test_x = zscore(test_data)          # 对测试数据进行归一化 95   96 init = tf.global_variables_initializer() 97  98 with tf.Session() as sess: 99     sess.run(init)100     for icnt in range(1000):101         _batch_size = 100102         intervals = NextBatch(iTrainSetSize, _batch_size) # 每次从所有样本中随机取100个样本(序号)103         xx = train_x[intervals]104         yy = train_y[intervals]   
105         if (icnt+1)%100 == 0:106             train_accuracy = sess.run(accuracy, feed_dict={107                 xs:xx, ys: yy, keep_prob: 1.0, batch_size: _batch_size})108             print("step: " + "{0:4d}".format(icnt+1) + ",  train acc:" + "{:.4f}".format(train_accuracy))109         sess.run(train_op, feed_dict={ xs:xx, ys: yy, keep_prob: 0.9, batch_size: _batch_size})110     bsize = test_x.shape[0]111     test_acc = sess.run(accuracy,feed_dict={xs:test_x, ys:test_y, keep_prob: 1.0, batch_size:bsize})112     print("test acc:" + "{:.4f}".format(test_acc))

复制代码

View Code

 

#写在后面

新的一年了

感觉开始的一塌糊涂

不过这两天好像调整过来了

让自己成为一个有计划的人

坚持健身、坚持减肥、学习理财、学习穿搭、学BEC中级、学机器学习、学Java、学Python、学深度学习框架、准备实习、积极准备找工作!

坚持早点睡觉、坚持早点起床

坚持不拖延

坚持放下手机

坚持不去抱怨生活、不去抱怨别人

坚持!做一个自律、自信的小伙郭

忙碌起来

为最好的那个自己而不断努力

不要患得患失的去迷茫明天

而是在每一个今天,都活出最精彩的一天

羡慕那些活的精致的人

我也要好好加油才好!

原文出处: https://www.cnblogs.com/guoruxin/p/10231579.html  

打开App,阅读手记
0人推荐
发表评论
随时随地看视频慕课网APP