TF の DNN: Tensorflow フレームワークの浅いニューラル ネットワーク アルゴリズム (h5 モデル ファイル/モデル パラメーター/json モデル構造/モデルのエクスポートと onnx ファイル形式でのロード) を使用したタイタニック号データ セット (ワンホット エンコーディング) に基づいて、分類予測を実現します。アプリケーションの場合
目次
# T1、推論のためにモデル ファイル (構造とパラメーター) をエクスポートしてロードします
関連記事
TF の DNN: Tensorflow フレームワークの浅いニューラル ネットワーク アルゴリズム (h5 モデル ファイル/モデル パラメーター/json モデル構造/モデルのエクスポートと onnx ファイル形式でのロード) を使用したタイタニック号のデータ セット (ワンホット エンコーディング) に基づいて、次のことを実現します。分類 予測アプリケーションケース
TF の DNN: タイタニック データセット (ワンホット エンコーディング) に基づき、Tensorflow フレームワークの浅いニューラル ネットワーク アルゴリズムを使用 (h5 モデル ファイル/モデル パラメーター/json モデル構造/モデルのエクスポートと onnx ファイルへのロード)フォーマット）実装 分類予測アプリケーションケースの実装コード
Tensorflow フレームワークの浅いニューラル ネットワーク アルゴリズム (h5 モデル ファイル/モデル パラメーター/json モデル構造/モデルのエクスポートと onnx ファイル形式でのロード) を使用したタイタニック号データ セット (ワンホット エンコーディング) に基づいて、分類予測アプリケーション ケースを実現します。
# 1. データセットを定義する
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 PassengerId 891 non-null int64
1 Survived 891 non-null int64
2 Pclass 891 non-null int64
3 Name 891 non-null object
4 Sex 891 non-null object
5 Age 714 non-null float64
6 SibSp 891 non-null int64
7 Parch 891 non-null int64
8 Ticket 891 non-null object
9 Fare 891 non-null float64
10 Cabin 204 non-null object
11 Embarked 889 non-null object
dtypes: float64(2), int64(5), object(5)
memory usage: 83.7+ KB
None
PassengerId Survived Pclass ... Fare Cabin Embarked
0 1 0 3 ... 7.2500 NaN S
1 2 1 1 ... 71.2833 C85 C
2 3 1 3 ... 7.9250 NaN S
3 4 1 1 ... 53.1000 C123 S
4 5 0 3 ... 8.0500 NaN S
[5 rows x 12 columns]# 金型フィーチャーを定義する
after featuresIN………………………………………………
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Survived 891 non-null int64
1 Pclass 891 non-null int64
2 Age 714 non-null float64
3 Fare 891 non-null float64
4 Sex 891 non-null object
5 Embarked 889 non-null object
dtypes: float64(2), int64(2), object(2)
memory usage: 41.9+ KB
None#2. データの前処理
#2.1、欠損値の処理
# 2.2、機能エンコーディング
# T1、ワンホットエンコーディング
# T2、ラベルエンコーディング
OHEncode………………………………………………
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 9 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Survived 891 non-null int64
1 Pclass 891 non-null int64
2 Age 891 non-null float64
3 Fare 891 non-null float64
4 Sex_female 891 non-null uint8
5 Sex_male 891 non-null uint8
6 Embarked_C 891 non-null uint8
7 Embarked_Q 891 non-null uint8
8 Embarked_S 891 non-null uint8
dtypes: float64(2), int64(2), uint8(5)
memory usage: 32.3 KB
None# 2.3. 個別の機能とラベル
#3. モデルのトレーニングと評価
# 3.1. セグメンテーションデータセット
# 3.2. モデルを構築する
#3.3. モデルのトレーニングと予測
Epoch 1/100
23/23 [==============================] - 0s 931us/step - loss: 0.9403 - accuracy: 0.5632
Epoch 2/100
23/23 [==============================] - 0s 689us/step - loss: 0.5955 - accuracy: 0.7079
Epoch 3/100
23/23 [==============================] - 0s 647us/step - loss: 0.5803 - accuracy: 0.7205
Epoch 4/100
23/23 [==============================] - 0s 679us/step - loss: 0.5508 - accuracy: 0.7275
Epoch 5/100
23/23 [==============================] - 0s 639us/step - loss: 0.5525 - accuracy: 0.7247
Epoch 6/100
……
Epoch 96/100
23/23 [==============================] - 0s 668us/step - loss: 0.4455 - accuracy: 0.7949
Epoch 97/100
23/23 [==============================] - 0s 697us/step - loss: 0.4518 - accuracy: 0.7879
Epoch 98/100
23/23 [==============================] - 0s 680us/step - loss: 0.4501 - accuracy: 0.8006
Epoch 99/100
23/23 [==============================] - 0s 699us/step - loss: 0.4445 - accuracy: 0.8020
Epoch 100/100
23/23 [==============================] - 0s 632us/step - loss: 0.4461 - accuracy: 0.8020
6/6 [==============================] - 0s 756us/step
# モデルの予測結果を出力する
# 3.4. モデルの評価: AUC、F1
AUC: 0.8761
F1 score: 0.7385
6/6 [==============================] - 0s 798us/step
#3.5. モデルのエクスポートと推論
# T1、推論のためにモデル ファイル (構造とパラメーター) をエクスポートしてロードします
AUC: 0.8761
F1 score: 0.7385
6/6 [==============================] - 0s 798us/step
model_h5 -------------------
PassengerId Survived loaded_model_y_prob
0 172 0.776513 0.776513
1 524 0.112160 0.112160
2 452 0.438001 0.438001
3 170 0.225820 0.225820
4 620 0.154560 0.154560
.. ... ... ...
174 388 0.115106 0.115106
175 338 0.054891 0.054891
176 827 0.680395 0.680395
177 773 0.112122 0.112122
178 221 0.173132 0.173132
[179 rows x 3 columns]# T2、モデルの重みパラメータのエクスポートとロード
AUC: 0.8773
F1 score: 0.7188
weights_h5 -------------------
6/6 [==============================] - 0s 811us/step
PassengerId Survived loaded_model_weights_y_probt
0 172 0.708009 0.708009
1 524 0.105870 0.105870
2 452 0.466656 0.466656
3 170 0.237784 0.237784
4 620 0.168124 0.168124
.. ... ... ...
174 388 0.122256 0.122256
175 338 0.058414 0.058414
176 827 0.491990 0.491990
177 773 0.105840 0.105840
178 221 0.189526 0.189526
[179 rows x 3 columns]# T3. モデル構造のエクスポートとロード (ただし、推論を実現するにはモデルの重みをロードする必要があります): JSON ファイルからモデル構造をロードし、load_weights() 関数を使用してモデルの重みパラメーターをロードし、完全なモデルを復元します。
AUC: 0.8706
F1 score: 0.6984
model_json -------------------
6/6 [==============================] - 0s 547us/step
PassengerId Survived loaded_model_json_y_prob
0 172 0.697425 0.697425
1 524 0.132381 0.132381
2 452 0.359049 0.359049
3 170 0.161974 0.161974
4 620 0.134586 0.134586
.. ... ... ...
174 388 0.116566 0.116566
175 338 0.076110 0.076110
176 827 0.345227 0.345227
177 773 0.132386 0.132386
178 221 0.147759 0.147759
[179 rows x 3 columns]
Process finished with exit code 0
T4、nx モデル ファイルのエクスポートとロード
AUC: 0.8802
F1 score: 0.7482
model_onnx -------------------
dense_input
PassengerId Survived loaded_model_ONNX_y_prob
0 172 0.808569 0.808569
1 524 0.215418 0.215418
2 452 0.462289 0.462289
3 170 0.361842 0.361842
4 620 0.241996 0.241996
.. ... ... ...
174 388 0.108243 0.108243
175 338 0.056558 0.056558
176 827 0.738313 0.738313
177 773 0.215353 0.215353
178 221 0.174459 0.174459
[179 rows x 3 columns]