内膜厚回声均匀会是癌_内膜回声均匀是不会病变是吗

内膜厚回声均匀会是癌_内膜回声均匀是不会病变是吗下载数据集fromtorchvision.datasetsimportmnisttrain_set=mnist.MNIST(‘./data’,train=True,download=True)#若未找到数据集则自动下载test_set=mnist.MNIST(‘./data’,train=False,download=True)

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE稳定放心使用

在这里插入图片描述

在这里插入图片描述

回声状态网络

状态方程

在这里插入图片描述

输出方程

在这里插入图片描述

分类问题

在这里插入图片描述

加载 MNIST 数据集

from torchvision.datasets import mnist 

train_set = mnist.MNIST('./data', train=True, download=True)    # 若未找到数据集 则自动下载
test_set = mnist.MNIST('./data', train=False, download=True)

print(train_set.data.shape,  train_set.targets.shape)
""" (torch.Size([60000, 28, 28]), torch.Size([60000])) """

同时也下载到了本地
在这里插入图片描述

标签 onehot 编码

data = train_set.data.numpy()
labels = train_set.targets.numpy().reshape(-1,1)
enc = OneHotEncoder()
enc.fit(labels)
labels_onehot = enc.transform(labels).toarray()
""" >>> labels_onehot array([[0., 0., 0., ..., 0., 0., 0.], [1., 0., 0., ..., 0., 0., 0.], [0., 0., 0., ..., 0., 0., 0.], ..., [0., 0., 0., ..., 0., 0., 0.], [0., 0., 0., ..., 0., 0., 0.], [0., 0., 0., ..., 0., 1., 0.]]) """

转化成时间序列

num_train = 1000
# input
U = np.hstack(data[:num_train])/255  
# output
y = np.hstack([np.array([labels_onehot[i] for _ in range(28)]).T for i in range(num_train)])  

图像是28 * 28 的,通过拼接,作为输入的 28 维时间序列
在这里插入图片描述
预测标签为 10 维时间序列序列,长度和输入相同
在这里插入图片描述

训练 ESN

设置随机种子

import numpy as np
import matplotlib.pyplot as plt
import scipy.linalg
import random

def set_seed(seed=None):
    """Making the seed (for random values) variable if None"""

    # Set the seed
    if seed is None:
        import time
        seed = int((time.time()*10**6) % 10**12)
        
    try:
        random.seed(seed) #np.random.seed(seed)
        print("Seed used for random values:", seed)
    except:
        print("!!! WARNING !!!: Seed was not set correctly.")
    return seed

开始训练

T = y.shape[1]
# generate the ESN reservoir
inSize = 28
outSize = 10 #input/output dimension
resSize = 1000 #reservoir size
a = 0.8 # leaking rate
spectral_radius = 1.25
reg = 1e-8 # regularization coefficient 
input_scaling = 1.
# change the seed, reservoir performances should be averaged accross at least 20 random instances (with the same set of parameters)
our_seed = None  # Choose a seed or None
set_seed(our_seed) 
# generation of random weights
Win = (np.random.rand(resSize,1+inSize)-0.5) * input_scaling
W = np.random.rand(resSize,resSize)-0.5
# Computing spectral radius...
rhoW = max(abs(np.linalg.eig(W)[0])) #maximal eigenvalue
W *= spectral_radius / rhoW
X = np.zeros((1+inSize+resSize,T))
# set the corresponding target matrix directly
Yt = y 
# run the reservoir with the data and collect X
x = np.zeros((resSize,1))  # initial state
for t in range(U.shape[1]):
u = U[:,t:t+1]
res_in = np.dot( Win, np.vstack((1,u))) + np.dot( W, x )
res_out = sigmoid(res_in)
x = (1-a) * x + a * res_out 
X[:,t] = np.vstack((1,u,x))[:,0]
X_T = X.T
# use ridge regression (linear regression with regularization)
Wout = np.dot( np.dot(Yt,X_T), np.linalg.inv( np.dot(X,X_T) + reg*np.eye(1+inSize+resSize)))
import seaborn as sns
plt.figure(figsize=(20,10))
ax = sns.heatmap(X)
plt.show()
print('done')

储备池状态的时空分布

看看训练储备池状态的时空分布,下图展示前10个数字对应的 X, 第 1~28 行是原始输入,和储备池的 1000 维状态向量拼接在一起

可以观察到出现数字时,储备池的状态会有明显变化
在这里插入图片描述

测试结果

test_start = 50000
num_test = 10
U = np.hstack(data[test_start:test_start + num_test])/255
y = np.hstack([np.array([labels_onehot[i] for _ in range(28)]).T for i in range(test_start,test_start + num_test)])

输入:
在这里插入图片描述
真实标签:
在这里插入图片描述
输出结果:

T = y.shape[1]
# allocated memory for the design (collected states) matrix
X = np.zeros((1+inSize+resSize,T))
x = np.zeros((resSize,1))
for t in range(U.shape[1]):
u = U[:,t:t+1]
res_in = np.dot( Win, np.vstack((1,u))) + np.dot( W, x )
res_out = sigmoid(res_in)
x = (1-a) * x + a * res_out       
X[:,t] = np.vstack((1,u,x))[:,0]
pred = Wout @ X
plt.figure(figsize=(20,5))
sns.heatmap(np.vstack([pred,y]))
plt.show()

在这里插入图片描述
结果中 10 个对了 9 个,其中预测错误的第七个样本把 5 判别成 8
在这里插入图片描述

在这里插入图片描述

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/184272.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • 解读windows认证

    0x00前言dll劫持的近期忙,没时间写,先给大家写个windows认证的水文。0x01windows认证协议windows上的认证大致分为本地认证,ntlm协议,和Kerberos协议。

    2021年12月11日
  • void *指针赋值「建议收藏」

    p1 = p2;或p1 = (void *) p2; void指针可以指向任意类型的数据,亦即可用任意数据类型的指针对void指针赋值。例如:int * pint;void *pvoid;pvoid = pint; /* 不过不能 pint= pvoid; */如果要将pvoid赋给其他类型指针,则需要强制类型转换如:pint= (i

  • SQLserver字符串转日期_sqlserver 字符串转时间

    SQLserver字符串转日期_sqlserver 字符串转时间CONVERT(varchar(100),CAST(‘20190102’ASdatetime),23)以上将字符串转为2019-01-02这样的格式。

  • Mysql主从备份和SQL语句的备份

    MySQL服务器的主从配置,本来是一件很简单的事情,无奈不是从零开始,总是在别人已经安装好的mysql服务器之上,这就会牵扯到,mysql的版本,启动文件,等一些问题。http://www.cnb

    2021年12月23日
  • filter suction_filter属性

    filter suction_filter属性概要说明       FilterDispatcher是早期struts2的过滤器,后期的都用StrutsPrepareAndExecuteFilter了,如2.1.6、2.1.8。StrutsPrepareAndExecuteFilter名字已经很能说明问题了,prepare与execute,前者表示准备,可以说是指filter中的init方法,即配制的导入;后者表示进行过滤,指doF

  • java 设置随机数种子_java随机数种子怎么设置[通俗易懂]

    java 设置随机数种子_java随机数种子怎么设置[通俗易懂]java随机数种子怎么设置引导语:Java技术具有卓越的通用性、高效性、平台移植性和安全性,广泛应用于PC、数据中心、游戏控制台、科学超级计算机、移动电话和互联网,同时拥有全球最大的开发者专业社群。以下是小编整理的java随机数种子怎么设置,欢迎参考阅读!java设置随机数种子教程:一、在j2se里我们可以使用Math.random()方法来产生一个随机数,这个产生的随机数是0-1之间的一个dou…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号