基于Libra的卷积神经网络怎么实现

这篇文章主要介绍“基于Libra的卷积神经网络怎么实现”，在日常操作中，相信很多人在基于Libra的卷积神经网络怎么实现问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”基于Libra的卷积神经网络怎么实现”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

成都创新互联成立与2013年，先为广安等服务建站，广安等地企业，进行企业商务咨询服务。为广安企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。

利用Libra进行信用卡欺诈检测

我使用了Kaggle数据集来预测信用卡欺诈。数据已经经过主成分分析，因此与原始数据相比，它现在被简化为更小维的数据。

在解决这个问题时，需要遵循一种系统的方法。一般来说，你将遵循第一段中提到的顺序。但有了Libra，你就不用担心了。

此数据中的大多数交易在时间上是非欺诈性的(99.83%)，而欺诈性交易在数据集中发生的时间(0.17%)。这意味着数据是高度不平衡的。让我们看看Libra对数据的预处理和结果。

安装Libra

pip install -U libra

从libra导入客户端(client)

from libra import client

使用Libra

一切都是围绕client构建的。你可以对它调用不同的查询，所有的内容都将存储在对象的models字段下。

我们在client对象中传递文件的位置，并将其命名为newClient。现在要访问各种查询，请参阅文档。

我用的是决策树。例如，预测房屋价值中位数，或估计住户数量。否则，该代码应与数据集中的列相对应。Libra会自动检测到目标列，但为了确保它选择了正确的列，我已经传递了目标列的名称。

newClient = client('creditcard.csv')

newClient.decision_tree_query('Class')

只需两行代码，我们就得到了大约0.99的分数，这是我们能得到的最好成绩。如果你检查其他人的成功，你会发现只有少数人获得了0.99的准确率，他们花了数小时来预处理数据并为其编写代码。

在这种情况下，Libra为你节省了很多时间，给你最好的结果。Libra使用智能预处理，这样你就不需要自己去预处理数据了。

你不必担心分析结果

newClient.analyze()为所有分类问题创建混淆矩阵和ROC曲线。它还计算召回率，精确度，f1和f2分数。

newClient.analyze()

newClient.info()返回所有键，表示为数据集生成的每种数据类别。

newClient.info()

newClient.model() 返回该模型的字典。它包括从准确度，精确度，召回率，F1分数到所有的预处理技术。对于那些已经了解这些概念并能够编写代码的人来说，这会更有帮助。非技术用户不必为此担心。

newClient.model()

访问模型

newClient.model()返回字典，如果要访问模型，则可以直接使用newClient.model()['model']

newClient.model()['model']

基于Libra的卷积神经网络

在colab Notebook使用下面的代码下载石头剪刀布数据集。我本可以直接向你展示使用Libra创建CNN的代码，但是我想创建一个例子，你可以自己在colab Notebook中尝试，以便更好地理解。你不需要担心下面的代码。

!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

使用下面的代码提取下载的文件。

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()

我们用下面的代码创建文件夹，并将提取的图像放入其中。

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])

下图显示了有关数据集的信息

使用下面的代码，你可以创建CNN。数据将通过缩放、剪切、翻转和重新缩放自动增加。然后选择最佳的图像大小。你还将注意到每个类中的图像数量以及与之关联的类的数量。最后，还要观察训练精度和测试精度。

你还可以在convolutional_query内部传递read_mode超参数，在其中你可以指定读取模式。允许有三种读取模式。我将逐一描述它们。默认情况下，**read_mode=distinguisher()**自动检测数据类型。允许的三种读取模式是:

1.Setwise

目录由“training_set”和“testing_set”文件夹组成，这两个文件夹都包含带有图像的分类文件夹。

2.Classwise

目录由包含图像的分类文件夹组成。

3.CSV Wise

目录由图像文件夹和包含图像列的CSV文件组成。

newClient = client('/tmp/rps')

newClient.convolutional_query("Please classify my images")

基于Libra的NLP文本分类

我使用垃圾邮件分类数据集来解决这个问题。

链接：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()将对其中输入的文本进行分类。在上面的输出中，你可以看到它将我的文本分类为“ham”。

使用Libra进行均值聚类

我使用商场客户划分数据来解决这个问题：https://www.kaggle.com/vjchoudhary7/customer-segmentation-tutorial-in-python

Libra将创建一个K均值聚类模型，并将确定最佳簇中心，优化准确度，以及最佳聚类数。

基于Libra的神经网络分类

在本节中，我将使用神经网络查询进行分类。为此，我使用了一个私人数据集来预测大脑信号的行为。让我们检查一下它在那个数据集上的执行情况。

new_client = client('Mood_classification.csv')

new_client.neural_network_query('Predict the behavior')

从上面的代码中，你可以注意到模型使用的初始层数是3。然后，它还测试了不同层数的精度，这些层数根据前一层的性能而变化。

它可以预测找到的最佳层数以及训练和测试的准确性。看来我需要为我的数据集收集更多的数据。

你可以用new_client.model()[‘model’]访问模型，并可以使用Keras的summary()函数获取神经网络模型的摘要。

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

到此，关于“基于Libra的卷积神经网络怎么实现”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注创新互联网站，小编会继续努力为大家带来更多实用的文章！