机器学习与Tensorflow（6）——LSTM的Tensorflow实现、Tensorboard简单实现、CNN应用

最近写的一些程序以及做的一个关于轴承故障诊断的程序

最近学习进度有些慢

而且马上假期

要去补习班

去赚下学期生活费

额。。。。

抓紧时间再多学习点

1.RNN递归神经网络Tensorflow实现程序

 import os
 os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''
 import tensorflow as tf
 from tensorflow.examples.tutorials.mnist import input_data
 #载入数据集
 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)

 # 输入图片是28*28
 n_inputs = 28 #输入一行，一行有28个数据
 max_time = 28 #一共28行
 lstm_size = 100 #隐层单元
 n_classes = 10 # 10个分类
 batch_size = 50 #每批次50个样本
 n_batch = mnist.train.num_examples // batch_size #计算一共有多少个批次

 #这里的none表示第一个维度可以是任意的长度
 x = tf.placeholder(tf.float32,[None,784])
 #正确的标签
 y = tf.placeholder(tf.float32,[None,10])

 #初始化权值
 weights = tf.Variable(tf.truncated_normal([lstm_size, n_classes], stddev=0.1))
 #初始化偏置值
 biases = tf.Variable(tf.constant(0.1, shape=[n_classes]))

 #定义RNN网络
 def RNN(X,weights,biases):
     # inputs=[batch_size, max_time, n_inputs]
     inputs = tf.reshape(X,[-1,max_time,n_inputs])
     #定义LSTM基本CELL
     lstm_cell = tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(lstm_size)
     # final_state[0]是cell state
     # final_state[1]是hidden_state
     outputs,final_state = tf.nn.dynamic_rnn(lstm_cell,inputs,dtype=tf.float32)
     results = tf.nn.softmax(tf.matmul(final_state[1],weights) + biases)
     return results

 #计算RNN的返回结果
 prediction= RNN(x, weights, biases)
 #损失函数
 cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction,labels=y))
 #使用AdamOptimizer进行优化
 train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
 #结果存放在一个布尔型列表中
 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置
 #求准确率
 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#把correct_prediction变为float32类型
 #初始化
 init = tf.global_variables_initializer()

 with tf.Session() as sess:
     sess.run(init)
     for epoch in range(6):
         for batch in range(n_batch):
             batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
             sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})

         acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
         print ("Iter " + str(epoch) + ", Testing Accuracy= " + str(acc))

2.关于Tensorboard的简单学习（以MNIST手写数据集程序为例）

 import os
 os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''
 import tensorflow as tf
 from tensorflow.examples.tutorials.mnist import input_data
 #载入数据集
 mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
 #每个批次的大小（即每次训练的图片数量）
 batch_size = 100
 #计算一共有多少个批次
 n_bitch = mnist.train.num_examples // batch_size
 #参数概要
 def variable_summaries(var):
     with tf.name_scope('summaries'):
         mean = tf.reduce_mean(var)
         tf.summary.scalar('mean', mean)  #平均值
         with tf.name_scope('stddev'):
             stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
         tf.summary.scalar('stddev', stddev) #标准差
         tf.summary.scalar('max', tf.reduce_max(var))
         tf.summary.scalar('min', tf.reduce_min(var))
         tf.summary.histogram('histogram', var)#直方图
 #定义一个命名空间
 with tf.name_scope('input'):
     #定义两个placeholder
     x = tf.placeholder(tf.float32, [None, 784], name='x_input')
     y = tf.placeholder(tf.float32, [None, 10], name='y_input')
 with tf.name_scope('layer'):
     #创建一个只有输入层（784个神经元）和输出层（10个神经元）的简单神经网络
     with tf.name_scope('weights'):
         Weights = tf.Variable(tf.zeros([784, 10]), name='w')
         variable_summaries(Weights)
     with tf.name_scope('biases'):
         Biases = tf.Variable(tf.zeros([10]), name='b')
         variable_summaries(Biases)
     with tf.name_scope('Wx_plus_B'):
         Wx_plus_B = tf.matmul(x, Weights) + Biases
     with tf.name_scope('softmax'):
         prediction = tf.nn.softmax(Wx_plus_B)
 #二次代价函数
 with tf.name_scope('loss'):
     loss = tf.reduce_mean(tf.square(y - prediction))
     tf.summary.scalar('loss', loss)
 #使用梯度下降法
 with tf.name_scope('train'):
     train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
 #初始化变量
 init = tf.global_variables_initializer()
 #结果存放在一个布尔型列表中
 with tf.name_scope('accuracy'):
     with tf.name_scope('correct_prediction'):
         correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1)) #argmax返回一维张量中最大的值所在的位置，标签值和预测值相同，返回为True
 #求准确率
     with tf.name_scope('correct_prediction'):
         accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #cast函数将correct_prediction的布尔型转换为浮点型，然后计算平均值即为准确率

 #合并所有的summary
 merged = tf.summary.merge_all()

 #定义会话
 with tf.Session() as sess:
     sess.run(init)
     writer = tf.summary.FileWriter('logs/', sess.graph)
     #将测试集循环训练50次
     for epoch in range(51):
         #将测试集中所有数据循环一次
         for batch in range(n_bitch):
             batch_xs, batch_ys = mnist.train.next_batch(batch_size)   #取测试集中batch_size数量的图片及对应的标签值
             summary,_= sess.run([merged, train_step], feed_dict={x:batch_xs, y:batch_ys})  #将上一行代码取到的数据进行训练
         writer.add_summary(summary, epoch)
         acc = sess.run(accuracy, feed_dict={x:mnist.test.images, y:mnist.test.labels})  #准确率的计算
         print('Iter : ' + str(epoch) + ',Testing Accuracy = ' + str(acc))

3. CNN应用——简单的轴承故障诊断模型

3.1数据来源及介绍

轴承、轴、齿轮是旋转机械重要组成部分，为了验证深度学习在旋转装备故障分类识别的有效性，

选取凯斯西储大学轴承数据库(Case Western Reserve University, CWRU)为验证数据。

轴承通过电火花加工设置成四种尺寸的故障直径，分别为0.007、0.014、0.021、0.028英寸。

实验中使用加速度传感器采集振动信号，传感器分别被放置在电机驱动端与风扇端。

由于驱动端采集到的振动信号数据全面，并且收到其他部件和环境噪声的干扰较少，选取驱动端采集的振动信号作为实验数据。

实验数据包括4种轴承状态下采集到的振动信号，分别为正常状态（Normal，N）、滚珠故障状态（Ball Fault，BF）、外圈故障状态（Outer Race Fault，ORF）以及内圈故障状态（Inner Race Fault，IRF），

每种状态下采集到的信号又按照故障直径与负载的大小进行分类，其中故障直径分别为0.007、0.014、0.021、0.028英寸，负载大小从0Hp-3Hp（1Hp=746W），对应转速为1797rpm、1772rpm、1750rpm、1730rpm。

选取CWRU数据集中采样频率为12k Hz的各个状态的样本，通过深度学习建立故障诊断模型，对电机轴承的四种故障进行分类识别。

由于负载的不同，转速不恒定，但采集的转速都在1800rpm左右，采样频率为12kHz，转轴转一圈，约采集400（60/1800*12000 = 400）个数据点。

由于采用原始数据切分方式，通常取稍微大于一个周期的点数比较合适，为了便于多层CNN网络的输入，以24*24=576点作为输入长度。

3.2 Matlab数据处理程序

 clear all;
 clc;
 load DataSet;
 [iType, iCondition] = size(A);
 iExtSize = *;
 iSampleRate = ;
 iTime = ;
 iOverlap = floor(iExtSize * 0.9);
 iUCover = iExtSize - iOverlap;
 iGetDataLen = iSampleRate*iTime + iExtSize;
 iLen2 = floor((iGetDataLen-iExtSize)/iUCover) + ;
 iLen1 =  floor(iLen2/)*;
 iGetDataLen = iLen1*iUCover + iExtSize;
 fExtSamp = zeros(iType, iGetDataLen);

 tmp = ;
 for jCnt = : iType
     str1 = sprintf('%03d',A(jCnt,));
     szValName = strcat('X', str1, '_DE_time');
     eval(strcat('tmp=',szValName,';'));
     fExtSamp(jCnt,:) = tmp(:iGetDataLen);
 end
 iLen = iLen1;
 iSampSize = iLen * iType;
 fData = zeros(iSampSize, iExtSize);
 fLabel = zeros(iSampSize, );

 for iCnt = ::iLen
     iInterval = (iCnt -)*iUCover + (::iExtSize);
     for jCnt =::iType
         fData((iCnt - )*iType + jCnt,:) = fExtSamp(jCnt, iInterval);
         if (jCnt ==)
             fLabel((iCnt - )*iType + jCnt,:) = [   ];
         end
         if (jCnt >= && jCnt<=)
             fLabel((iCnt - )*iType + jCnt,:) = [   ];
         end
         if (jCnt >= && jCnt<=)
             fLabel((iCnt - )*iType + jCnt,:) = [   ];
         end
         if (jCnt >=)
             fLabel((iCnt - )*iType + jCnt,:) = [   ];
         end
     end
 end
 save('DL_Data90.mat','fData', 'fLabel');  

3.3 CNN轴承故障诊断模型

 import os
 os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''
 import numpy as np
 import tensorflow as tf
 from tensorflow.contrib import rnn
 import matplotlib.pyplot as plt

 nSampleSize = 20000     # 总样本数
 nSig_dim = 576          # 单个样本维度
 nLab_dim = 4            # 类别维度

 learning_rate = 1e-3
 batch_size = tf.placeholder(tf.int32, [])   # 在训练和测试，用不同的 batch_size
 input_size = 24     # 每个时刻的输入维数为 24
 timestep_size = 24  # 时序长度为24
 hidden_size = 128   # 每个隐含层的节点数
 layer_num = 3       # LSTM layer 的层数
 class_num = nLab_dim       # 类别维数

 def getdata(nSampSize=20000):
     # 读取float型二进制数据
     signal = np.fromfile('DLdata90singal.raw', dtype=np.float64)
     labels = np.fromfile('DLdata90labels.raw', dtype=np.float64)
     #由于matlab 矩阵写入文件是按照【列】优先, 需要按行读取
     mat_sig = np.reshape(signal,[-1, nSampSize])
     mat_lab = np.reshape(labels,[-1, nSampSize])
     mat_sig = mat_sig.T # 转换成正常样式 【样本序号，样本维度】
     mat_lab = mat_lab.T
     return mat_sig, mat_lab

 def zscore(xx):
     # 样本归一化到【-1，1】，逐条对每个样本进行自归一化处理
     max1 = np.max(xx,axis=1)    #按行或者每个样本，并求出单个样本的最大值
     max1 = np.reshape(max1,[-1,1])  # 行向量 ->> 列向量
     min1 = np.min(xx,axis=1)    #按行或者每个样本，并求出单个样本的最小值
     min1 = np.reshape(min1,[-1,1])  # 行向量 ->> 列向量
     xx = (xx-min1)/(max1-min1)*2-1
     return xx

 def NextBatch(iLen, n_batchsize):
     # iLen: 样本总数
     # n_batchsize: 批处理大小
     # 返回n_batchsize个随机样本（序号）
     ar = np.arange(iLen)    # 生成0到iLen-1，步长为1的序列
     np.random.shuffle(ar)   # 打乱顺序
     return ar[0:n_batchsize]

 xs = tf.placeholder(tf.float32, [None, nSig_dim])
 ys = tf.placeholder(tf.float32, [None, class_num])
 keep_prob = tf.placeholder(tf.float32)

 x_input = tf.reshape(xs, [-1, 24, 24])

 # 搭建LSTM 模型
 def unit_LSTM():
     # 定义一层 LSTM_cell，只需要说明 hidden_size
     lstm_cell = rnn.BasicLSTMCell(num_units=hidden_size, forget_bias=1.0, state_is_tuple=True)
     #添加 dropout layer, 一般只设置 output_keep_prob
     lstm_cell = rnn.DropoutWrapper(cell=lstm_cell, input_keep_prob=1.0, output_keep_prob=keep_prob)
     return lstm_cell

 #调用 MultiRNNCell 来实现多层 LSTM
 mLSTM_cell = rnn.MultiRNNCell([unit_LSTM() for icnt in range(layer_num)], state_is_tuple=True)

 #用全零来初始化state
 init_state = mLSTM_cell.zero_state(batch_size, dtype=tf.float32)
 outputs, state = tf.nn.dynamic_rnn(mLSTM_cell, inputs=x_input,initial_state=init_state, time_major=False)
 h_state = outputs[:, -1, :]  # 或者 h_state = state[-1][1]

 #设置 loss function 和 优化器
 W = tf.Variable(tf.truncated_normal([hidden_size, class_num], stddev=0.1), dtype=tf.float32)
 bias = tf.Variable(tf.constant(0.1,shape=[class_num]), dtype=tf.float32)
 y_pre = tf.nn.softmax(tf.matmul(h_state, W) + bias)

 #损失和评估函数
 cross_entropy = tf.reduce_mean(tf.reduce_sum(-ys*tf.log(y_pre),reduction_indices=[1]))
 train_op = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)
 correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(ys,1))
 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

 mydata = getdata()
 iTrainSetSize =  np.floor(nSampleSize*3/4).astype(int) # 训练样本个数
 iIndex = np.arange(nSampleSize) # 按照顺序，然后划分训练样本、测试样本
 train_index = iIndex[0:iTrainSetSize]
 test_index = iIndex[iTrainSetSize:nSampleSize]

 train_data = mydata[0][train_index]     # 训练数据
 train_y = mydata[1][train_index]        # 训练标签
 test_data = mydata[0][test_index]       # 测试数据
 test_y = mydata[1][test_index]          # 测试标签

 train_x = zscore(train_data)        # 对训练数据进行归一化
 test_x = zscore(test_data)          # 对测试数据进行归一化

 init = tf.global_variables_initializer()

 with tf.Session() as sess:
     sess.run(init)
     for icnt in range(1000):
         _batch_size = 100
         intervals = NextBatch(iTrainSetSize, _batch_size) # 每次从所有样本中随机取100个样本（序号）
         xx = train_x[intervals]
         yy = train_y[intervals]
         if (icnt+1)%100 == 0:
             train_accuracy = sess.run(accuracy, feed_dict={
                 xs:xx, ys: yy, keep_prob: 1.0, batch_size: _batch_size})
             print("step: " + "{0:4d}".format(icnt+1) + ",  train acc:" + "{:.4f}".format(train_accuracy))
         sess.run(train_op, feed_dict={ xs:xx, ys: yy, keep_prob: 0.9, batch_size: _batch_size})
     bsize = test_x.shape[0]
     test_acc = sess.run(accuracy,feed_dict={xs:test_x, ys:test_y, keep_prob: 1.0, batch_size:bsize})
     print("test acc:" + "{:.4f}".format(test_acc))

#写在后面

新的一年了

感觉开始的一塌糊涂

不过这两天好像调整过来了

让自己成为一个有计划的人

坚持健身、坚持减肥、学习理财、学习穿搭、学BEC中级、学机器学习、学Java、学Python、学深度学习框架、准备实习、积极准备找工作！

坚持早点睡觉、坚持早点起床

坚持不拖延

坚持放下手机

坚持不去抱怨生活、不去抱怨别人

坚持！做一个自律、自信的小伙郭

忙碌起来

为最好的那个自己而不断努力

不要患得患失的去迷茫明天

而是在每一个今天，都活出最精彩的一天

羡慕那些活的精致的人

我也要好好加油才好！