iT邦幫忙

2024 iThome 鐵人賽
DAY 27
0
AI/ ML & Data

基於人工智慧與深度學習對斑馬魚做行為分析系列 第 27 篇

Day 27lstm 多隻斑馬魚所有行為分析並預測斑馬魚身體狀態

16th鐵人賽
124 瀏覽

  • 分享至 

  • xImage
    •  

今天是第二十七天我們可以寫一個人工智慧結合lstm去分析多隻斑馬魚行為分析，並且預測斑馬魚身體狀態，以下是程式碼
我們需要經過數據預處理、特徵提取、LSTM 模型構建與訓練、模型評估等多個步驟。

步驟 1: 數據準備

首先，我們需要準備一個模擬的數據集，這個數據集應該包含多隻斑馬魚在不同時間點的行為數據，並附有它們的身體狀態標籤。

import numpy as np
import pandas as pd

# 模擬數據集參數
num_fish = 10  # 斑馬魚數量
num_timesteps = 100  # 時間步數
num_features = 5  # 行為特徵數量
state_labels = ['Normal', 'Stress', 'Fear', 'Anxiety', 'Depression']  # 身體狀態

# 模擬斑馬魚行為數據
data = np.random.rand(num_fish, num_timesteps, num_features)

# 模擬狀態標籤
labels = np.random.choice(state_labels, num_fish)

# 將數據轉換為 DataFrame 形式以便進行處理
columns = [f'feature_{i}' for i in range(num_features)]
df = pd.DataFrame({
    'fish_id': np.repeat(np.arange(num_fish), num_timesteps),
    'time_step': np.tile(np.arange(num_timesteps), num_fish),
    **{columns[i]: data[:, :, i].flatten() for i in range(num_features)},
    'state': np.repeat(labels, num_timesteps)
})
print(df.head())

步驟 2: 數據預處理

在這一步，我們需要將數據進行標準化，並將標籤轉換為數字形式以便用於模型訓練。

from sklearn.preprocessing import LabelEncoder, StandardScaler

# 將特徵標準化
scaler = StandardScaler()
scaled_features = scaler.fit_transform(df[columns])

# 將狀態標籤進行數字化編碼
label_encoder = LabelEncoder()
encoded_labels = label_encoder.fit_transform(df['state'])

# 重塑數據以適應 LSTM 的輸入格式
X = scaled_features.reshape(num_fish, num_timesteps, num_features)
y = encoded_labels.reshape(num_fish, num_timesteps)

步驟 3: LSTM 模型構建

構建一個 LSTM 模型來分析行為數據並預測斑馬魚的身體狀態。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout, TimeDistributed

# 構建 LSTM 模型
model = Sequential()
model.add(LSTM(128, input_shape=(num_timesteps, num_features), return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(64, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(32, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(64, activation='relu'))
model.add(Dense(len(state_labels), activation='softmax'))

# 編譯模型
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 模型摘要
model.summary()

步驟 4: 模型訓練

使用訓練數據來訓練模型。

# 訓練模型
history = model.fit(X, y, epochs=50, batch_size=2, validation_split=0.2)

步驟 5: 模型評估與預測

在訓練完成後，使用測試數據來評估模型的準確性，並預測斑馬魚的身體狀態。

# 模擬新數據進行預測
new_data = np.random.rand(num_fish, num_timesteps, num_features)
scaled_new_data = scaler.transform(new_data.reshape(-1, num_features)).reshape(num_fish, num_timesteps, num_features)

# 預測斑馬魚的身體狀態
predictions = model.predict(scaled_new_data)
predicted_states = label_encoder.inverse_transform(np.argmax(predictions, axis=1))

print("Predicted States for Zebrafish: ", predicted_states)

步驟 1: 數據準備

import numpy as np
import pandas as pd

# 模擬數據集參數
num_fish = 10  # 斑馬魚數量
num_timesteps = 100  # 時間步數
num_features = 5  # 行為特徵數量
state_labels = ['Normal', 'Stress', 'Fear', 'Anxiety', 'Depression']  # 身體狀態

# 模擬斑馬魚行為數據
data = np.random.rand(num_fish, num_timesteps, num_features)

# 模擬狀態標籤
labels = np.random.choice(state_labels, num_fish)

# 將數據轉換為 DataFrame 形式以便進行處理
columns = [f'feature_{i}' for i in range(num_features)]
df = pd.DataFrame({
    'fish_id': np.repeat(np.arange(num_fish), num_timesteps),
    'time_step': np.tile(np.arange(num_timesteps), num_fish),
    **{columns[i]: data[:, :, i].flatten() for i in range(num_features)},
    'state': np.repeat(labels, num_timesteps)
})
print(df.head())

解釋：

  1. 數據集參數設定：

    • num_fish：定義了模擬的斑馬魚數量。
    • num_timesteps：定義了每隻斑馬魚行為記錄的時間步數。
    • num_features：每個時間步的行為特徵數量，例如速度、方向、距離等。
    • state_labels：定義了斑馬魚的五種身體狀態，包括正常、壓力、恐懼、焦慮、抑鬱。

  2. 數據生成：

    • data：使用 np.random.rand 生成了形狀為 (num_fish, num_timesteps, num_features) 的隨機數據矩陣，模擬多隻斑馬魚在不同時間步的行為特徵。
    • labels：隨機分配每隻斑馬魚的身體狀態。

  3. 數據框準備：

    • columns：為每個行為特徵命名，例如 feature_0, feature_1, 等等。
    • df：使用 pandas.DataFrame 生成數據框，其中包括魚的編號（fish_id）、時間步（time_step）、特徵數據和狀態標籤。
    • print(df.head())：打印數據框的前幾行來檢查數據。

步驟 2: 數據預處理

from sklearn.preprocessing import LabelEncoder, StandardScaler

# 將特徵標準化
scaler = StandardScaler()
scaled_features = scaler.fit_transform(df[columns])

# 將狀態標籤進行數字化編碼
label_encoder = LabelEncoder()
encoded_labels = label_encoder.fit_transform(df['state'])

# 重塑數據以適應 LSTM 的輸入格式
X = scaled_features.reshape(num_fish, num_timesteps, num_features)
y = encoded_labels.reshape(num_fish, num_timesteps)

解釋：

  1. 標準化數據：

    • StandardScaler：用來標準化特徵數據，使得每個特徵的均值為 0、標準差為 1。這有助於加快模型的收斂速度。
    • scaled_features：對 df[columns] 中的行為數據進行標準化，生成標準化後的數據矩陣。

  2. 標籤編碼：

    • LabelEncoder：將狀態標籤從字符串形式轉換為數字形式，例如 'Normal' -> 0, 'Stress' -> 1, 等等。
    • encoded_labels：將數據框中的 state 列進行編碼，生成數字形式的標籤。

  3. 重塑數據：

    • X：將標準化後的特徵數據重塑為 (num_fish, num_timesteps, num_features) 的形狀，以適應 LSTM 模型的輸入格式。
    • y：將編碼後的標籤數據重塑為 (num_fish, num_timesteps) 的形狀。

步驟 3: LSTM 模型構建

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout, TimeDistributed

# 構建 LSTM 模型
model = Sequential()
model.add(LSTM(128, input_shape=(num_timesteps, num_features), return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(64, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(32, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(64, activation='relu'))
model.add(Dense(len(state_labels), activation='softmax'))

# 編譯模型
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 模型摘要
model.summary()

解釋：

  1. 模型結構：

    • Sequential：表示我們將按順序構建模型，每一層依次添加。
    • LSTM 層：
      • LSTM(128)：第一層 LSTM 有 128 個單元。input_shape 定義了輸入的形狀，即時間步數和每步的特徵數量。return_sequences=True 表示每一層 LSTM 都會返回完整的序列，而不是僅僅返回最後一個時間步的輸出。
      • LSTM(64) 和 LSTM(32)：後續的兩層 LSTM，分別具有 64 和 32 個單元。最後一層 LSTM 的 return_sequences=False 表示只返回最後一個時間步的輸出。
    • Dropout 層：
      • Dropout(0.2)：在每層 LSTM 之後添加 Dropout 層，以防止過擬合。20% 的神經元將在每次訓練更新中隨機忽略。
    • Dense 層：
      • Dense(64)：一個全連接層，有 64 個神經元，激活函數使用 ReLU。
      • Dense(len(state_labels))：最終輸出層，其神經元數量與狀態標籤的數量一致，激活函數使用 softmax，用於多分類。

  2. 編譯模型：

    • sparse_categorical_crossentropy：適用於多類別的分類問題，標籤數據以整數形式表示。
    • adam：自適應學習率優化器，有助於更快且更穩定的訓練。
    • accuracy：評估指標是準確率。

  3. 模型摘要：

    • model.summary()：顯示模型的結構、層的順序、參數數量等信息。

步驟 4: 模型訓練

# 訓練模型
history = model.fit(X, y, epochs=50, batch_size=2, validation_split=0.2)

解釋：

  1. 模型訓練：

    • epochs=50：模型將訓練 50 個完整的數據集迭代（即 50 次完整的前向和反向傳播）。
    • batch_size=2：每次模型更新的數據批次大小為 2。較小的批次大小通常可以使模型學習得更穩定，但訓練速度可能會慢一些。
    • validation_split=0.2：20% 的數據將用於驗證集，以在訓練過程中評估模型的性能，這有助於監控過擬合情況。

  2. 訓練過程：

    • 訓練過程中，模型會調整權重以最小化損失函數 sparse_categorical_crossentropy，並計算每個 epoch 的準確率。
    • history：這個變量將保存模型訓練過程中的損失和準確率歷史記錄。

步驟 5: 模型評估與預測

# 模擬新數據進行預測
new_data = np.random.rand(1, num_timesteps, num_features)
new_data_scaled = scaler.transform(new_data.reshape(-1, num_features)).reshape(1, num_timesteps, num_features)

# 預測新數據的斑馬魚狀態
predicted_probs = model.predict(new_data_scaled)
predicted_state = label_encoder.inverse_transform(np.argmax(predicted_probs, axis=1))

print(f"預測的斑馬魚狀態為: {predicted_state[0]}")

解釋：

  1. 模擬新數據：

    • new_data：生成了一隻斑馬魚的隨機行為特徵數據，形狀為 (1, num_timesteps, num_features)。
    • new_data_scaled：對新數據進行標準化處理，以確保與訓練數據的尺度一致。首先將數據展開為 2D 形式 (reshape(-1, num_features))，標準化後再將其重塑回原始形狀。

  2. 進行預測：

    • model.predict(new_data_scaled)：模型會生成每個狀態的概率分佈（softmax 輸出），表示該斑馬魚屬於不同狀態的可能性。
    • np.argmax(predicted_probs, axis=1)：獲取概率最高的狀態的索引值，表示模型認為最有可能的斑馬魚狀態。
    • label_encoder.inverse_transform()：將數字化的預測標籤轉換回原始的狀態名稱。

  3. 打印預測結果：

    • print(f"預測的斑馬魚狀態為: {predicted_state[0]}")：顯示模型預測的斑馬魚身體狀態。

步驟 6: 模型性能可視化（選擇性）

import matplotlib.pyplot as plt

# 繪製訓練過程中的損失曲線
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.title('Training and Validation Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()
plt.show()

# 繪製訓練過程中的準確率曲線
plt.plot(history.history['accuracy'], label='Training Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.title('Training and Validation Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

解釋：

  1. 損失和準確率可視化：

    • 使用 matplotlib 繪製訓練過程中的損失和準確率曲線。
    • plt.plot(history.history['loss']) 和 plt.plot(history.history['val_loss'])：分別繪製訓練集和驗證集的損失隨 epoch 變化的曲線，以觀察模型的收斂情況。
    • plt.plot(history.history['accuracy']) 和 plt.plot(history.history['val_accuracy'])：分別繪製訓練集和驗證集的準確率隨 epoch 變化的曲線。

  2. 顯示圖表：

    • plt.show()：在螢幕上顯示圖表，幫助你可視化模型的訓練過程，檢查是否存在過擬合（訓練損失顯著低於驗證損失）等問題。

總結

這段程式碼通過以下步驟來分析並預測多隻斑馬魚的行為狀態：

  1. 數據準備：生成多隻斑馬魚的模擬行為數據和對應的狀態標籤。
  2. 數據預處理：對行為數據進行標準化處理，並將狀態標籤數字化。
  3. LSTM 模型構建：構建一個包含多層 LSTM 和全連接層的深度學習模型，來學習和預測斑馬魚的狀態。
  4. 模型訓練：使用訓練數據訓練模型，並在驗證數據上進行性能評估。
  5. 模型預測：應用訓練好的模型對新斑馬魚的行為進行狀態預測。
  6. 性能可視化：繪製訓練過程中的損失和準確率曲線，以幫助分析模型性能。

上一篇
day 26lstm人工智慧斑馬魚水溫分析
下一篇
day 28 基於人工智慧與深度學習斑馬魚行為分析
系列文
基於人工智慧與深度學習對斑馬魚做行為分析 共 30 篇
  1. 26
    day 26lstm人工智慧斑馬魚水溫分析
  2. 27
    Day 27lstm 多隻斑馬魚所有行為分析並預測斑馬魚身體狀態
  3. 28
    day 28 基於人工智慧與深度學習斑馬魚行為分析
  4. 29
    day 29 基於人工智慧與深度學習對斑馬魚做行為分析
  5. 30
    day 30 基於人工智慧與深度學習對斑馬魚做行為分析
完整目錄
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言
iThome鐵人賽
參賽組數
1064 組
團體組數
40 組
累計文章數
22088 篇
完賽人數
594 人
iT+看影片追技術 看影片追技術 看更多
熱門tag 看更多
15th鐵人賽 16th鐵人賽 13th鐵人賽 14th鐵人賽 12th鐵人賽 11th鐵人賽 鐵人賽 2019鐵人賽 javascript 2018鐵人賽 python 2017鐵人賽 windows php c# windows server linux css react vue.js
熱門問題
熱門回答
熱門文章
IT邦幫忙