基于Libra的卷積神經網絡怎么實現

這篇文章主要介紹“基于Libra的卷積神經網絡怎么實現”，在日常操作中，相信很多人在基于Libra的卷積神經網絡怎么實現問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”基于Libra的卷積神經網絡怎么實現”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

利用Libra進行信用卡欺詐檢測

我使用了Kaggle數據集來預測信用卡欺詐。數據已經經過主成分分析，因此與原始數據相比，它現在被簡化為更小維的數據。

在解決這個問題時，需要遵循一種系統的方法。一般來說，你將遵循第一段中提到的順序。但有了Libra，你就不用擔心了。

此數據中的大多數交易在時間上是非欺詐性的(99.83%)，而欺詐性交易在數據集中發生的時間(0.17%)。這意味著數據是高度不平衡的。讓我們看看Libra對數據的預處理和結果。

安裝Libra

pip install -U libra

從libra導入客戶端(client)

from libra import client

使用Libra

一切都是圍繞client構建的。你可以對它調用不同的查詢，所有的內容都將存儲在對象的models字段下。

我們在client對象中傳遞文件的位置，并將其命名為newClient。現在要訪問各種查詢，請參閱文檔。

我用的是決策樹。例如，預測房屋價值中位數，或估計住戶數量。否則，該代碼應與數據集中的列相對應。Libra會自動檢測到目標列，但為了確保它選擇了正確的列，我已經傳遞了目標列的名稱。

newClient = client('creditcard.csv')

newClient.decision_tree_query('Class')

只需兩行代碼，我們就得到了大約0.99的分數，這是我們能得到的最好成績。如果你檢查其他人的成功，你會發現只有少數人獲得了0.99的準確率，他們花了數小時來預處理數據并為其編寫代碼。

在這種情況下，Libra為你節省了很多時間，給你最好的結果。Libra使用智能預處理，這樣你就不需要自己去預處理數據了。

你不必擔心分析結果

newClient.analyze()為所有分類問題創建混淆矩陣和ROC曲線。它還計算召回率，精確度，f1和f2分數。

newClient.analyze()

newClient.info()返回所有鍵，表示為數據集生成的每種數據類別。

newClient.info()

newClient.model() 返回該模型的字典。它包括從準確度，精確度，召回率，F1分數到所有的預處理技術。對于那些已經了解這些概念并能夠編寫代碼的人來說，這會更有幫助。非技術用戶不必為此擔心。

newClient.model()

訪問模型

newClient.model()返回字典，如果要訪問模型，則可以直接使用newClient.model()['model']

newClient.model()['model']

基于Libra的卷積神經網絡

在colab Notebook使用下面的代碼下載石頭剪刀布數據集。我本可以直接向你展示使用Libra創建CNN的代碼，但是我想創建一個例子，你可以自己在colab Notebook中嘗試，以便更好地理解。你不需要擔心下面的代碼。

!wget --no-check-certificate \

https://storage.googleapis.com/laurencemoroney-blog.appspot.com/rps.zip \

-O /tmp/rps.zip

!wget --no-check-certificate \

https://storage.googleapis.com/laurencemoroney-blog.appspot.com/rps-test-set.zip \

-O /tmp/rps-test-set.zip

使用下面的代碼提取下載的文件。

import os

import zipfile

local_zip = '/tmp/rps.zip'

zip_ref = zipfile.ZipFile(local_zip, 'r')

zip_ref.extractall('/tmp/')

zip_ref.close()

local_zip = '/tmp/rps-test-set.zip'

zip_ref = zipfile.ZipFile(local_zip, 'r')

zip_ref.extractall('/tmp/')

zip_ref.close()

我們用下面的代碼創建文件夾，并將提取的圖像放入其中。

rock_dir = os.path.join('/tmp/rps/rock')

paper_dir = os.path.join('/tmp/rps/paper')

scissors_dir = os.path.join('/tmp/rps/scissors')

print('total training rock images:', len(os.listdir(rock_dir)))

print('total training paper images:', len(os.listdir(paper_dir)))

print('total training scissors images:', len(os.listdir(scissors_dir)))

rock_files = os.listdir(rock_dir)

print(rock_files[:10])

paper_files = os.listdir(paper_dir)

print(paper_files[:10])

scissors_files = os.listdir(scissors_dir)

print(scissors_files[:10])

下圖顯示了有關數據集的信息

使用下面的代碼，你可以創建CNN。數據將通過縮放、剪切、翻轉和重新縮放自動增加。然后選擇最佳的圖像大小。你還將注意到每個類中的圖像數量以及與之關聯的類的數量。最后，還要觀察訓練精度和測試精度。

你還可以在convolutional_query內部傳遞read_mode超參數，在其中你可以指定讀取模式。允許有三種讀取模式。我將逐一描述它們。默認情況下，**read_mode=distinguisher()**自動檢測數據類型。允許的三種讀取模式是:

1.Setwise

目錄由“training_set”和“testing_set”文件夾組成，這兩個文件夾都包含帶有圖像的分類文件夾。

2.Classwise

目錄由包含圖像的分類文件夾組成。

3.CSV Wise

目錄由圖像文件夾和包含圖像列的CSV文件組成。

newClient = client('/tmp/rps')

newClient.convolutional_query("Please classify my images")

基于Libra的NLP文本分類

我使用垃圾郵件分類數據集來解決這個問題。

鏈接：https://www.kaggle.com/team-ai/spam-text-message-classification

new_client = client('SPAM text message 20170820 - Data.csv')

new_client.text_classification_query('sentiment')

new_client.classify_text('new text to classify')

new_client.classify_text()將對其中輸入的文本進行分類。在上面的輸出中，你可以看到它將我的文本分類為“ham”。

使用Libra進行均值聚類

我使用商場客戶劃分數據來解決這個問題：https://www.kaggle.com/vjchoudhary7/customer-segmentation-tutorial-in-python

Libra將創建一個K均值聚類模型，并將確定最佳簇中心，優化準確度，以及最佳聚類數。

基于Libra的神經網絡分類

在本節中，我將使用神經網絡查詢進行分類。為此，我使用了一個私人數據集來預測大腦信號的行為。讓我們檢查一下它在那個數據集上的執行情況。

new_client = client('Mood_classification.csv')

new_client.neural_network_query('Predict the behavior')

從上面的代碼中，你可以注意到模型使用的初始層數是3。然后，它還測試了不同層數的精度，這些層數根據前一層的性能而變化。

它可以預測找到的最佳層數以及訓練和測試的準確性。看來我需要為我的數據集收集更多的數據。

你可以用new_client.model()[‘model’]訪問模型，并可以使用Keras的summary()函數獲取神經網絡模型的摘要。

new_client.model()['model'].summary()

到此，關于“基于Libra的卷積神經網絡怎么實現”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！