ium_s449288/simple_regression_lab7.py

86 lines
2.8 KiB
Python
Raw Normal View History

2022-05-05 22:47:48 +02:00
import tensorflow as tf
from keras import layers
from keras.models import save_model
import pandas as pd
import numpy as np
2022-05-05 22:58:15 +02:00
import matplotlib.pyplot as plt
2022-05-05 22:47:48 +02:00
from sacred import Experiment
from sacred.observers import FileStorageObserver
from sacred.observers import MongoObserver
# Stworzenie obiektu klasy Experiment do śledzenia przebiegu regresji narzędziem Sacred
2022-05-06 19:38:48 +02:00
ex = Experiment(save_git_info=False)
2022-05-05 22:47:48 +02:00
# Dodanie obserwatora FileObserver
ex.observers.append(FileStorageObserver('runs'))
#Dodanie obserwatora Mongo
2022-05-06 19:38:48 +02:00
#ex.observers.append(MongoObserver(url='mongodb://mongo_user:mongo_password_IUM_2021@localhost:27017', db_name='sacred'))
2022-05-05 22:47:48 +02:00
# Przykładowa modyfikowalna z Sacred konfiguracja wybranych parametrów treningu
@ex.config
def config():
2022-05-06 19:38:48 +02:00
epochs = 100
2022-05-05 22:47:48 +02:00
units = 1
learning_rate = 0.1
# Reszta kodu wrzucona do udekorowanej funkcji train do wywołania przez Sacred, żeby coś było capture'owane
@ex.capture
2022-05-06 19:38:48 +02:00
def train(epochs, units, learning_rate, _run):
2022-05-05 22:47:48 +02:00
# Wczytanie danych
data_train = pd.read_csv('lego_sets_clean_train.csv')
data_test = pd.read_csv('lego_sets_clean_test.csv')
# Wydzielenie zbiorów dla predykcji ceny zestawu na podstawie liczby klocków, którą zawiera
train_piece_counts = np.array(data_train['piece_count'])
train_prices = np.array(data_train['list_price'])
test_piece_counts = np.array(data_test['piece_count'])
test_prices = np.array(data_test['list_price'])
# Normalizacja
normalizer = layers.Normalization(input_shape=[1, ], axis=None)
normalizer.adapt(train_piece_counts)
# Inicjalizacja
model = tf.keras.Sequential([
normalizer,
layers.Dense(units=units)
])
# Kompilacja
model.compile(
optimizer=tf.optimizers.Adam(learning_rate=learning_rate),
loss='mean_absolute_error'
)
# Trening
history = model.fit(
train_piece_counts,
train_prices,
2022-05-06 19:38:48 +02:00
epochs=epochs,
2022-05-05 22:47:48 +02:00
verbose=0,
validation_split=0.2
)
# Wykonanie predykcji na danych ze zbioru testującego
y_pred = model.predict(test_piece_counts)
# Zapis predykcji do pliku
results = pd.DataFrame(
{'test_set_piece_count': test_piece_counts.tolist(), 'predicted_price': [round(a[0], 2) for a in y_pred.tolist()]})
results.to_csv('lego_reg_results.csv', index=False, header=True)
# Zapis modelu do pliku standardowo poprzez metodę kerasa i poprzez metodę obiektu Experiment z Sacred
model.save('lego_reg_model')
2022-05-06 19:38:48 +02:00
ex.add_artifact('lego_reg_model/saved_model.pb')
2022-05-05 22:47:48 +02:00
2022-05-06 19:38:48 +02:00
# Przykładowo zwracamy loss ostatniej epoki w charakterze wyników, żeby było widoczne w plikach zapisanych przez obserwator
2022-05-05 22:47:48 +02:00
hist = pd.DataFrame(history.history)
hist['epoch'] = history.epoch
2022-05-06 19:30:15 +02:00
_run.log_scalar('final.training.loss', hist['loss'].iloc[-1])
2022-05-05 22:47:48 +02:00
@ex.automain
def main(units, learning_rate):
2022-05-06 19:30:15 +02:00
train()