Mathesis Wiki

Diese Seite ist nicht editierbar. Sie können den Quelltext sehen, jedoch nicht verändern. Kontaktieren Sie den Administrator, wenn Sie glauben, dass hier ein Fehler vorliegt.
<code>

from example_physionet import X, Y      # Daten importieren

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.autograd import Variable
import torch.optim as optim

import random
import numpy as np
import pandas

y_train = Y['diagnostic_superclass'][:1000]
XY = [(X[i],y_train[i+1]) for i in range(1000)]

y_test = Y['diagnostic_superclass'][1101:1201]
x_test = X[1100:1200]

class Netzwerk(nn.Module):
    def __init__(self):
        super(Netzwerk, self).__init__()
        self.conv1 = nn.Conv1d(12, 12, kernel_size=3, stride=1, padding=1)
        self.pool1 = nn.MaxPool1d(kernel_size=3, stride=2, padding=1)
        self.conv2 = nn.Conv1d(12, 4, kernel_size=2, padding=1)
        self.pool2 = nn.MaxPool1d(3, stride=2, padding=0)
        self.lin1 = nn.Linear(4*250, 30)
        self.lin2 = nn.Linear(30, 10)
        self.lin3 = nn.Linear(10, 2)

    def forward(self, x):
        x = self.pool1(F.relu(self.conv1(x)))
        x = self.pool2(F.relu(self.conv2(x)))
        x = x.view(-1, 4*250)       # umwandeln der Shape, sodass Uebergang von Conv. Layer zu linearen layers moeglich
        x = F.relu(self.lin1(x))
        x = F.relu(self.lin2(x))
        x = self.lin3(x)
        return x

    def num_flat_features(self, x):
      """eigentlich irrelevant???"""
      size = x.size()[1:]
      num = 1
      for i in size:
        num *= i
      return num

net = Netzwerk()
learning_rate = 0.1
batch_size = 40
optimizer = optim.SGD(net.parameters(), lr=learning_rate)

def is_norm(y):
    """wandelt Label des Datensatzes aus Textform in fuer Netzwerk erkennbare Form um"""
    if y == ['NORM']:        # Y-Index ist im Vergleich zum X-Index um +1 verschoben
        return [1, 0]
    else:
        return [0, 1]

def train(epoch = 50, b_s = batch_size):
    net.train()
    for i in range(epoch):
        random.shuffle(XY)

        # input-Werte
        my_inp = [XY[j][0].T for j in range(batch_size)]
        my_in = Variable(torch.Tensor(my_inp))
        my_in = my_in.reshape(batch_size, 12, 1000)

        # target-Werte
        ziel = [is_norm(XY[k][1]) for k in range(batch_size)]
        zielw = Variable(torch.Tensor(ziel))
        zielw = zielw.unsqueeze(1)

        criterion = nn.MSELoss()    # die Fehlerfunktion auf mean-squared-error setzen
        optimizer.zero_grad()       # Gradienten der vorherigen Epoche ausloeschen
        out = net(my_in)            # forward propagation


        loss = criterion(out, zielw)    # Fehler berechnen
        loss.backward()                 # backward propagation
        optimizer.step()                # weights and biases neu einstellen
        print(evaluate())               # Evaluation mit unabhaengigen Test-Daten printen

def evaluate(welche_richtig=False):
    """ermittelt, wie oft das Netz ein richtig zugeordnetes EKG erkennt
    mittels 'welche_richtig=True' kann man sich die Label der richtig erkannten EKGs ausgeben lassen"""
    global y_test
    global x_test
    z = 0
    for i in range(100):
        x = Variable(torch.Tensor(x_test[i]))
        x = x.reshape(12, 1000)
        x = x.unsqueeze(0)
        #x = x.unsqueeze(0)
        if torch.argmax(net(x)) == np.argmax(is_norm(y_test[1102+i])):
            z += 1
            if welche_richtig==True:        # printet Labels der richtig klassifizierten EKGs aus Test-Werten
                print(y_test[1102+i])
    return z

train()

</code>
Mathesis Wiki

Benutzer-Werkzeuge

Webseiten-Werkzeuge

Seiten-Werkzeuge
