全文链接：http://tecdat.cn/?p=18149
最近咱们被客户要求撰写对于CNN（卷积神经网络）的钻研报告，包含一些图形和统计输入。
无人驾驶汽车最早能够追溯到1989年。神经网络曾经存在很长时间了，那么近年来引发人工智能和深度学习热潮的起因是什么呢？
答案局部在于摩尔定律以及硬件和计算能力的显著进步。咱们当初能够事倍功半。顾名思义，神经网络的概念是受咱们本人大脑神经元网络的启发。神经元是十分长的细胞，每个细胞都有称为树突的突起，别离从四周的神经元接管和流传电化学信号。后果，咱们的脑细胞造成了灵便弱小的通信网络，这种相似于装配线的调配过程反对简单的认知能力，例如音乐播放和绘画。
神经网络构造
神经网络通常蕴含一个输出层，一个或多个暗藏层以及一个输入层。输出层由p个预测变量或输出单位/节点组成。不用说，通常最好将变量标准化。这些输出单元能够连贯到第一暗藏层中的一个或多个暗藏单元。与上一层齐全连贯的暗藏层称为密集层。在图中，两个暗藏层都是密集的。
输入层的计算预测
输入层计算预测，其中的单元数由具体的问题确定。通常，二分类问题须要一个输入单元，而具备k个类别的多类问题将须要 k个对应的输入单元。前者能够简略地应用S形函数间接计算概率，而后者通常须要softmax变换，从而将所有k个输入单元中的所有值加起来为1，因而能够将其视为概率。无需进行分类预测。
权重
图中显示的每个箭头都会传递与权重关联的输出。每个权重实质上是许多系数预计之一，该系数预计有助于在相应箭头指向的节点中计算出回归。这些是未知参数，必须应用优化过程由模型进行调整，以使损失函数最小化。训练之前，所有权重均应用随机值初始化。
优化和损失函数
训练之前，咱们须要做好两件事一是拟合优度的度量，用于比拟所有训练观测值的预测和已知标签；二是计算梯度降落的优化办法，本质上是同时调整所有权重估计值，以进步拟合优度的方向。对于每种办法，咱们别离具备损失函数和优化器。损失函数有很多类型，所有目标都是为了量化预测误差，例如应用穿插熵。风行的随机优化办法如Adam。
卷积神经网络
卷积神经网络是一种非凡类型的神经网络，能够很好地用于图像处理，并以上述原理为框架。名称中的“卷积”归因于通过滤镜解决的图像中像素的正方形方块。后果，该模型能够在数学上捕捉要害的视觉提醒。例如，鸟的喙能够在动物中高度辨别鸟。在上面形容的示例中，卷积神经网络可能会沿着一系列波及卷积，池化和扁平化的变换链解决喙状构造，最初，会看到相干的神经元被激活，现实状况下会预测鸟的概率是竞争类中最大的。
能够基于色彩强度将图像示意为数值矩阵。单色图像应用2D卷积层进行解决，而彩色图像则须要3D卷积层，咱们应用前者。
核（也称为滤镜）将像素的正方形块卷积为后续卷积层中的标量,从上到下扫描图像。
在整个过程中，核执行逐元素乘法，并将所有乘积求和为一个值，该值传递给后续的卷积层。
内核一次挪动一个像素。这是内核用来进行卷积的滑动窗口的步长，逐渐调整。较大的步长意味着更细，更小的卷积特色。
池化是从卷积层进行的采样，可在较低维度上出现次要特色，从而避免适度拟合并加重计算需要。池化的两种次要类型是均匀池化和最大池化。提供一个核和一个步长，合并就相当于卷积，但取每帧的平均值或最大值。
扁平化顾名思义，扁平只是将最初的卷积层转换为一维神经网络层。它为理论的预测奠定了根底。
R语言实现
当咱们将CNN（卷积神经网络）模型用于训练多维类型的数据（例如图像）时，它们十分有用。咱们还能够实现CNN模型进行回归数据分析。咱们之前应用Python进行CNN模型回归 ，在本视频中，咱们在R中实现雷同的办法。
咱们应用一维卷积函数来利用CNN模型。咱们须要Keras R接口能力在R中应用Keras神经网络API。如果开发环境中不可用，则须要先装置。本教程涵盖：
- 筹备数据
- 定义和拟合模型
- 预测和可视化后果
- 源代码
咱们从加载本教程所需的库开始。
library(keras)
library(caret)筹备
数据在本教程中，咱们将波士顿住房数据集用作指标回归数据。首先，咱们将加载数据集并将其分为训练和测试集。
set.seed(123)
boston = MASS::Boston
indexes = createDataPartition(boston$medv, p = .85, list = F)train = boston[indexes,]
test = boston[-indexes,]接下来，咱们将训练数据和测试数据的x输出和y输入局部离开，并将它们转换为矩阵类型。您可能晓得，“ medv”是波士顿住房数据集中的y数据输入，它是其中的最初一列。其余列是x输出数据。
查看维度。
dim(xtrain)
[1] 432 13dim(ytrain)
[1] 432 1接下来，咱们将通过增加另一维度来从新定义x输出数据的形态。
dim(xtrain)
[1] 432 13 1dim(xtest)
[1] 74 13 1在这里，咱们能够提取keras模型的输出维。
print(in_dim)
[1] 13 1定义和拟合模型
咱们定义Keras模型，增加一维卷积层。输出形态变为下面定义的（13,1）。咱们增加Flatten和Dense层，并应用“ Adam”优化器对其进行编译。
model %>% summary()
________________________________________________________________________
Layer (type) Output Shape Param #
========================================================================
conv1d_2 (Conv1D) (None, 12, 64) 192
________________________________________________________________________
flatten_2 (Flatten) (None, 768) 0
________________________________________________________________________
dense_3 (Dense) (None, 32) 24608
________________________________________________________________________
dense_4 (Dense) (None, 1) 33
========================================================================
Total params: 24,833
Trainable params: 24,833
Non-trainable params: 0
________________________________________________________________________接下来，咱们将应用训练数据对模型进行拟合。
print(scores)
loss
24.20518点击题目查阅往期内容
R语言KERAS深度学习CNN卷积神经网络分类辨认手写数字图像数据（MNIST）
左右滑动查看更多
01
02
03
04
预测和可视化后果
当初，咱们能够应用训练的模型来预测测试数据。
predict(xtest)咱们将通过RMSE指标查看预测的准确性。
cat("RMSE:", RMSE(ytest, ypred))
RMSE: 4.935908最初，咱们将在图表中可视化后果查看误差。
x_axes = seq(1:length(ypred))
lines(x_axes, ypred, col = "red", type = "l", lwd = 2)
legend("topl在本教程中，咱们简要学习了如何应用R中的keras CNN模型拟合和预测回归数据。
本文摘选 《 R语言实现CNN（卷积神经网络）模型进行回归数据分析 》 ，点击“浏览原文”获取全文残缺材料。
点击题目查阅往期内容
Python用LSTM长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析
深度学习实现自编码器Autoencoder神经网络异样检测心电图ECG工夫序列spss modeler用决策树神经网络预测ST的股票
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数挪动平均法预测股票市场和可视化
RNN循环神经网络 、LSTM长短期记忆网络实现工夫序列长期利率预测
联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析
深度学习：Keras应用神经网络进行简略文本分类剖析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户散失模型
PYTHON用LSTM长短期记忆神经网络的参数优化办法预测工夫序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和后果可视化
R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与后果评估可视化
深度学习：Keras应用神经网络进行简略文本分类剖析新闻组数据
Python用LSTM长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析
R语言深度学习Keras循环神经网络(RNN)模型预测多输入变量工夫序列
R语言KERAS用RNN、双向RNNS递归神经网络、LSTM剖析预测温度工夫序列、 IMDB电影评分情感
Python用Keras神经网络序列模型回归拟合预测、准确度检查和后果可视化R语言中的神经网络预测工夫序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测工夫序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类辨认手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户散失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析
SAS应用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
Python应用神经网络进行简略文本分类
R语言用神经网络改良Nelson-Siegel模型拟合收益率曲线剖析
R语言基于递归神经网络RNN的温度工夫序列预测
R语言神经网络模型预测车辆数量工夫序列
R语言中的BP神经网络模型剖析学生问题
matlab应用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和后果可视化
用R语言实现神经网络预测股票实例
应用PYTHON中KERAS的LSTM递归神经网络进行工夫序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：应用Keras的多标签文本LSTM神经网络分类
发表回复