全文鏈接：http://tecdat.cn/?p=18149

最近我們被客戶要求撰寫關(guān)于CNN（卷積神經(jīng)網(wǎng)絡(luò)）的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

無人駕駛汽車最早可以追溯到1989年。神經(jīng)網(wǎng)絡(luò)已經(jīng)存在很長(zhǎng)時(shí)間了，那么近年來引發(fā)人工智能和深度學(xué)習(xí)熱潮的原因是什么呢？

答案部分在于摩爾定律以及硬件和計(jì)算能力的顯著提高。我們現(xiàn)在可以事半功倍。顧名思義，神經(jīng)網(wǎng)絡(luò)的概念是受我們自己大腦神經(jīng)元網(wǎng)絡(luò)的啟發(fā)。神經(jīng)元是非常長(zhǎng)的細(xì)胞，每個(gè)細(xì)胞都有稱為樹突的突起，分別從周圍的神經(jīng)元接收和傳播電化學(xué)信號(hào)。結(jié)果，我們的腦細(xì)胞形成了靈活強(qiáng)大的通信網(wǎng)絡(luò)，這種類似于裝配線的分配過程支持復(fù)雜的認(rèn)知能力，例如音樂播放和繪畫。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)通常包含一個(gè)輸入層，一個(gè)或多個(gè)隱藏層以及一個(gè)輸出層。輸入層由p個(gè)預(yù)測(cè)變量或輸入單位/節(jié)點(diǎn)組成。不用說，通常最好將變量標(biāo)準(zhǔn)化。這些輸入單元可以連接到第一隱藏層中的一個(gè)或多個(gè)隱藏單元。與上一層完全連接的隱藏層稱為密集層。在圖中，兩個(gè)隱藏層都是密集的。

輸出層的計(jì)算預(yù)測(cè)

輸出層計(jì)算預(yù)測(cè)，其中的單元數(shù)由具體的問題確定。通常，二分類問題需要一個(gè)輸出單元，而具有k個(gè)類別的多類問題將需要 k個(gè)對(duì)應(yīng)的輸出單元。前者可以簡(jiǎn)單地使用S形函數(shù)直接計(jì)算概率，而后者通常需要softmax變換，從而將所有k個(gè)輸出單元中的所有值加起來為1，因此可以將其視為概率。無需進(jìn)行分類預(yù)測(cè)。

權(quán)重

圖中顯示的每個(gè)箭頭都會(huì)傳遞與權(quán)重關(guān)聯(lián)的輸入。每個(gè)權(quán)重本質(zhì)上是許多系數(shù)估計(jì)之一，該系數(shù)估計(jì)有助于在相應(yīng)箭頭指向的節(jié)點(diǎn)中計(jì)算出回歸

。這些是未知參數(shù)，必須使用優(yōu)化過程由模型進(jìn)行調(diào)整，以使損失函數(shù)最小化。訓(xùn)練之前，所有權(quán)重均使用隨機(jī)值初始化。

優(yōu)化和損失函數(shù)?

訓(xùn)練之前，我們需要做好兩件事一是擬合優(yōu)度的度量，用于比較所有訓(xùn)練觀測(cè)值的預(yù)測(cè)和已知標(biāo)簽；二是計(jì)算梯度下降的優(yōu)化方法，實(shí)質(zhì)上是同時(shí)調(diào)整所有權(quán)重估計(jì)值，以提高擬合優(yōu)度的方向。對(duì)于每種方法，我們分別具有損失函數(shù)和優(yōu)化器。損失函數(shù)有很多類型，所有目的都是為了量化預(yù)測(cè)誤差，例如使用交叉熵

。流行的隨機(jī)優(yōu)化方法如Adam。

卷積神經(jīng)網(wǎng)絡(luò)?

卷積神經(jīng)網(wǎng)絡(luò)是一種特殊類型的神經(jīng)網(wǎng)絡(luò)，可以很好地用于圖像處理，并以上述原理為框架。名稱中的“卷積”歸因于通過濾鏡處理的圖像中像素的正方形方塊。結(jié)果，該模型可以在數(shù)學(xué)上捕獲關(guān)鍵的視覺提示。例如，鳥的喙可以在動(dòng)物中高度區(qū)分鳥。在下面描述的示例中，卷積神經(jīng)網(wǎng)絡(luò)可能會(huì)沿著一系列涉及卷積，池化和扁平化的變換鏈處理喙?fàn)罱Y(jié)構(gòu)，最后，會(huì)看到相關(guān)的神經(jīng)元被激活，理想情況下會(huì)預(yù)測(cè)鳥的概率是競(jìng)爭(zhēng)類中最大的。?

可以基于顏色強(qiáng)度將圖像表示為數(shù)值矩陣。單色圖像使用2D卷積層進(jìn)行處理，而彩色圖像則需要3D卷積層，我們使用前者。?
核（也稱為濾鏡）將像素的正方形塊卷積為后續(xù)卷積層中的標(biāo)量,從上到下掃描圖像。?
在整個(gè)過程中，核執(zhí)行逐元素乘法，并將所有乘積求和為一個(gè)值，該值傳遞給后續(xù)的卷積層。
內(nèi)核一次移動(dòng)一個(gè)像素。這是內(nèi)核用來進(jìn)行卷積的滑動(dòng)窗口的步長(zhǎng)，逐步調(diào)整。較大的步長(zhǎng)意味著更細(xì)，更小的卷積特征。?
池化是從卷積層進(jìn)行的采樣，可在較低維度上呈現(xiàn)主要特征，從而防止過度擬合并減輕計(jì)算需求。池化的兩種主要類型是平均池化和最大池化。提供一個(gè)核和一個(gè)步長(zhǎng)，合并就相當(dāng)于卷積，但取每幀的平均值或最大值。?
扁平化顧名思義，扁平只是將最后的卷積層轉(zhuǎn)換為一維神經(jīng)網(wǎng)絡(luò)層。它為實(shí)際的預(yù)測(cè)奠定了基礎(chǔ)。

R語(yǔ)言實(shí)現(xiàn)

當(dāng)我們將CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型用于訓(xùn)練多維類型的數(shù)據(jù)（例如圖像）時(shí)，它們非常有用。我們還可以實(shí)現(xiàn)CNN模型進(jìn)行回歸數(shù)據(jù)分析。我們之前使用Python進(jìn)行CNN模型回歸?，在本視頻中，我們?cè)赗中實(shí)現(xiàn)相同的方法。
我們使用一維卷積函數(shù)來應(yīng)用CNN模型。我們需要Keras R接口才能在R中使用Keras神經(jīng)網(wǎng)絡(luò)API。如果開發(fā)環(huán)境中不可用，則需要先安裝。本教程涵蓋：

• 準(zhǔn)備數(shù)據(jù)

• 定義和擬合模型

• 預(yù)測(cè)和可視化結(jié)果

• 源代碼

我們從加載本教程所需的庫(kù)開始。

library(keras)library(caret)

準(zhǔn)備

數(shù)據(jù)在本教程中，我們將波士頓住房數(shù)據(jù)集用作目標(biāo)回歸數(shù)據(jù)。首先，我們將加載數(shù)據(jù)集并將其分為訓(xùn)練和測(cè)試集。

set.seed(123)boston?=?MASS::Bostonindexes?=?createDataPartition(boston$medv,?p?=?.85,?list?=?F)train?=?boston[indexes,]test?=?boston[-indexes,]

接下來，我們將訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的x輸入和y輸出部分分開，并將它們轉(zhuǎn)換為矩陣類型。您可能知道，“ medv”是波士頓住房數(shù)據(jù)集中的y數(shù)據(jù)輸出，它是其中的最后一列。其余列是x輸入數(shù)據(jù)。
檢查維度。

dim(xtrain)[1]?432??13dim(ytrain)[1]?432???1

接下來，我們將通過添加另一維度來重新定義x輸入數(shù)據(jù)的形狀。

dim(xtrain)[1]?432??13???1dim(xtest)[1]?74?13??1

在這里，我們可以提取keras模型的輸入維。

print(in_dim)[1]?13??1

定義和擬合模型

我們定義Keras模型，添加一維卷積層。輸入形狀變?yōu)樯厦娑x的（13,1）。我們添加Flatten和Dense層，并使用“ Adam”優(yōu)化器對(duì)其進(jìn)行編譯。

model?%>%?summary()________________________________________________________________________Layer?(type)????????????????????Output?Shape??????????????????Param?#???? ========================================================================conv1d_2?(Conv1D)???????????????(None,?12,?64)????????????????192????????________________________________________________________________________flatten_2?(Flatten)?????????????(None,?768)???????????????????0??????????________________________________________________________________________dense_3?(Dense)?????????????????(None,?32)????????????????????24608??????________________________________________________________________________dense_4?(Dense)?????????????????(None,?1)?????????????????????33????????? ======================================================================== Total?params:?24,833 Trainable?params:?24,833 Non-trainable?params:?0________________________________________________________________________

接下來，我們將使用訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行擬合。

print(scores) ????loss?24.20518

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言KERAS深度學(xué)習(xí)CNN卷積神經(jīng)網(wǎng)絡(luò)分類識(shí)別手寫數(shù)字圖像數(shù)據(jù)（MNIST）

左右滑動(dòng)查看更多

01

02

03

04

預(yù)測(cè)和可視化結(jié)果

現(xiàn)在，我們可以使用訓(xùn)練的模型來預(yù)測(cè)測(cè)試數(shù)據(jù)。

predict(xtest)

我們將通過RMSE指標(biāo)檢查預(yù)測(cè)的準(zhǔn)確性。

cat("RMSE:",?RMSE(ytest,?ypred)) RMSE:?4.935908

最后，我們將在圖表中可視化結(jié)果檢查誤差。

x_axes?=?seq(1:length(ypred)) lines(x_axes,?ypred,?col?=?"red",?type?=?"l",?lwd?=?2) legend("topl

在本教程中，我們簡(jiǎn)要學(xué)習(xí)了如何使用R中的keras CNN模型擬合和預(yù)測(cè)回歸數(shù)據(jù)。

本文摘選?《?R語(yǔ)言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸數(shù)據(jù)分析?》?，點(diǎn)擊“閱讀原文”獲取全文完整資料。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

Python用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)不穩(wěn)定降雨量時(shí)間序列進(jìn)行預(yù)測(cè)分析
深度學(xué)習(xí)實(shí)現(xiàn)自編碼器Autoencoder神經(jīng)網(wǎng)絡(luò)異常檢測(cè)心電圖ECG時(shí)間序列spss modeler用決策樹神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)ST的股票
Python中TensorFlow的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)、指數(shù)移動(dòng)平均法預(yù)測(cè)股票市場(chǎng)和可視化
RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 、LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)時(shí)間序列長(zhǎng)期利率預(yù)測(cè)
結(jié)合新冠疫情COVID-19股票價(jià)格預(yù)測(cè)：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時(shí)間序列分析
深度學(xué)習(xí)：Keras使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類分析新聞組數(shù)據(jù)
用PyTorch機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類預(yù)測(cè)銀行客戶流失模型
PYTHON用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法預(yù)測(cè)時(shí)間序列洗發(fā)水銷售數(shù)據(jù)
Python用Keras神經(jīng)網(wǎng)絡(luò)序列模型回歸擬合預(yù)測(cè)、準(zhǔn)確度檢查和結(jié)果可視化
R語(yǔ)言深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò) (CNN)對(duì) CIFAR 圖像進(jìn)行分類：訓(xùn)練與結(jié)果評(píng)估可視化
深度學(xué)習(xí)：Keras使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類分析新聞組數(shù)據(jù)
Python用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)不穩(wěn)定降雨量時(shí)間序列進(jìn)行預(yù)測(cè)分析
R語(yǔ)言深度學(xué)習(xí)Keras循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)模型預(yù)測(cè)多輸出變量時(shí)間序列
R語(yǔ)言KERAS用RNN、雙向RNNS遞歸神經(jīng)網(wǎng)絡(luò)、LSTM分析預(yù)測(cè)溫度時(shí)間序列、 IMDB電影評(píng)分情感
Python用Keras神經(jīng)網(wǎng)絡(luò)序列模型回歸擬合預(yù)測(cè)、準(zhǔn)確度檢查和結(jié)果可視化R語(yǔ)言中的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)間序列：多層感知器（MLP）和極限學(xué)習(xí)機(jī)（ELM）數(shù)據(jù)分析報(bào)告
R語(yǔ)言深度學(xué)習(xí)：用keras神經(jīng)網(wǎng)絡(luò)回歸模型預(yù)測(cè)時(shí)間序列數(shù)據(jù)
Matlab用深度學(xué)習(xí)長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)文本數(shù)據(jù)進(jìn)行分類
R語(yǔ)言KERAS深度學(xué)習(xí)CNN卷積神經(jīng)網(wǎng)絡(luò)分類識(shí)別手寫數(shù)字圖像數(shù)據(jù)（MNIST）
MATLAB中用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)人體脂肪百分比數(shù)據(jù)
Python中用PyTorch機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類預(yù)測(cè)銀行客戶流失模型
R語(yǔ)言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸數(shù)據(jù)分析
SAS使用鳶尾花(iris)數(shù)據(jù)集訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)(ANN)模型
【視頻】R語(yǔ)言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸數(shù)據(jù)分析
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類
R語(yǔ)言用神經(jīng)網(wǎng)絡(luò)改進(jìn)Nelson-Siegel模型擬合收益率曲線分析
R語(yǔ)言基于遞歸神經(jīng)網(wǎng)絡(luò)RNN的溫度時(shí)間序列預(yù)測(cè)
R語(yǔ)言神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)車輛數(shù)量時(shí)間序列
R語(yǔ)言中的BP神經(jīng)網(wǎng)絡(luò)模型分析學(xué)生成績(jī)
matlab使用長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)序列數(shù)據(jù)進(jìn)行分類
R語(yǔ)言實(shí)現(xiàn)擬合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和結(jié)果可視化
用R語(yǔ)言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票實(shí)例
使用PYTHON中KERAS的LSTM遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)間序列預(yù)測(cè)
python用于NLP的seq2seq模型實(shí)例:用Keras實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯
用于NLP的Python：使用Keras的多標(biāo)簽文本LSTM神經(jīng)網(wǎng)絡(luò)分類