MLP Sample Code(Keras)

1. DataSet(1) - 폐암 수술 환자의 생존률 데이터

 폐암 수술 환자의 생존률 데이터(ThoraricSurgery.csv)입니다. 17개의 속성과 1개의 결과가 있고 결과는 0 또는 1입니다.

책 모두의 딥러닝(저자-조태호)에서 가져온 셈플 데이터입니다. 

2. Source Code of DataSet(1)

 히든 레이어가 하나이며 결과가 0 또는 1, 즉 2개의 그룹중 하나가 선택되기 때문에 결과 레이어에 sigmoid 사용하였습니다.

# Import necessary libraries from keras.models import Sequential from keras.layers import Dense import numpy import tensorflow as tf # Read Input Data Data_set = numpy.loadtxt("dataset/ThoraricSurgery.csv", delimiter=",") # Save X_data and Y_data X = Data_set[:,0:17] Y = Data_set[:,17] # Setting Model layers_node = [30] #layers_node = [30,20,10] model = Sequential() model.add(Dense(layer[0], input_dim=len(X[0]), activation='relu')) for i in range(0,len(layers_node)-1): model.add(Dense(layers_node[i+1], input_dim=layers_node[i], activation='relu')) model.add(Dense(1, activation='sigmoid')) # Start leaning model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy']) model.fit(X, Y, epochs=50, batch_size=10) # Print Result print("\nAccuracy: %f" % (model.evaluate(X, Y)[1]))

3. DataSet(2) - Naca4-Cd data

 비행기 날개 모양에 대한 항력계수(Cd)와 양력(CL)계수 데이터(output-51-50001.csv) 입니다.  http://airfoiltools.com/의 데이터를 가져와 정제하였습니다.

날개 모양을 표현하는 101개의 (x,y) 데이터와 cl,cd class구분 데이터와 alpha class 구분 데이터, 마지막으로 결과값 데이터입니다. 

4. Source Code of DataSet(1)

 상대적으로 속성의 개수가 많아 히든 레이어가 4개인 모델을 구성하였습니다. 또한 결과 레이어에 활성함수를 적용하지 않았습니다. 추가적으로 모델 저장 기능을 추가하였습니다.

# Import necessary libraries from keras.models import Sequential, load_model from keras import metrics from keras.layers import Dense from keras.callbacks import ModelCheckpoint import numpy import os import datetime import tensorflow as tf # Read Input Data Data_set = numpy.loadtxt("./output-51-50001.csv", delimiter=",") # Save X_data and Y_data X = Data_set[:,0:103] Y = Data_set[:,103] for i in range(Y.shape[0]): if (Y[i] == 0): Y[i] = 0.0000001 # Setting Model layers_node = [200,100,50,25] model = Sequential() model.add(Dense(layers_node[0], input_dim=len(X[0]), activation='relu')) for i in range(0,len(layers_node)-1): model.add(Dense(layers_node[i+1], input_dim=layers_node[i], activation='relu')) model.add(Dense(1)) # Compile Model model.compile(loss='mae', optimizer='adam') # Setting save path Datetime = datetime.datetime.now().strftime('%m%d_%H%M') MODEL_DIR = './model/'+Datetime+'/' if not os.path.exists(MODEL_DIR): os.mkdir(MODEL_DIR) # Setting save condition modelpath=MODEL_DIR+"{loss:.5f}-{epoch:02d}.hdf5" checkpointer = ModelCheckpoint(filepath=modelpath, monitor='loss', verbose=0, save_best_only=True) # Learning and save models model.fit(X, Y, validation_split=0.1, epochs=20000, batch_size=200, verbose=1, callbacks=[checkpointer]) last_model = os.path.join(MODEL_DIR, os.listdir(MODEL_DIR)[0]) del model # Remove Model in memory model = load_model(last_model) # Load Model predic_y = model.predict(X) for i in range(len(predic_y)): print("%s\t%f" % (Y[i], predic_y[i]))