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)


相关推荐

  • rsyslogd关闭_系统驱动丢失无法开机

    rsyslogd关闭_系统驱动丢失无法开机最近发现跑keepalived的几台机器的日志总是打印不完,还好给抛了一个报错,信息如下:[root@yw_lvs2_backupetc]#tail-n1000000/var/log/messages-20130526|grep”rate-limiting”May2011:43:55yw_lvs2_backuprsyslogd-2177:imuxsockbeginst…

  • 安卓system文件夹_system文件丢失

    安卓system文件夹_system文件丢失\system\app这个里面主要存放的是常规下载的应用程序,可以看到都是以APK格式结尾的文件。在这个文件夹下的程序为系统默认的组件,自己安装的软件将不会出现在这里,而是/data/文件夹中\system\app\AlarmClock.apk闹钟\system\app\AlarmClock.odex\system\app\Browser.apk浏览器\system\app\Browser.odex\system\app\Bugreport.apkBug报告\system\app\Bug

    2022年10月15日
  • java数字取整(向上取整,向下取整,四舍五入)

    java数字取整(向上取整,向下取整,四舍五入)向上取整:Math.ceil(doublea)向下取整:Math.floor(doublea)四舍五入取整:Math.round(doublea)例:Math.ceil(24.2)–>25Math.floor(24.7)–>24Math.round(24.2)–>24Math.round(24.7)–>25

  • 很具体GC学习笔记

    很具体GC学习笔记

  • 1314,不远不近

    1314,不远不近-喂,2013年马上就要结束啦-哦-2014年就要来了噢-哦-元旦快乐,2014年一定要开开心心的呀-哦是不是应该写点什么来总结纪念已经过去的那一年啊拉开窗帘,打开窗,浅浅的阳光照进来,凉凉的风吹过,不冷也不热的天气,广州的一月就像春季已经到来了一样呢。正式的工作的这一年,渐渐适应朝九晚五的节奏,不再那么期待周五,也不会每逢周末就熬夜,慢慢的也…

  • 总量指标的因素分析

    总量指标的因素分析

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