?九月?份了，車神哥又回歸了校園
?冬天?還會遠嗎
?推薦一首最近很?喜歡?的歌?
?No Fear In My Heart -樸樹?

由于最近在寫一篇相關的論文，就說說其中遇到的一些問題吧~

Minisom

之前做過一個對minisom的第三方開源庫的介紹，可以點擊看這里。

對相應的代碼添加了注釋：

導入各種庫吧

# 導入庫 from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report import numpy as np import matplotlib.pyplot as plt from matplotlib.patches import Patch import pandas as pd from minisom import MiniSom import math import xlrd from icecream import ic from tqdm import tqdm from openpyxl import load_workbook import openpyxl from time import time

第一步是導入數據的Function，這很簡單就不解釋了

# 傳入數據成DataFrame的矩陣格式 def loaddata(datafile, num_name):df = pd.read_excel(datafile, sheet_name=num_name, index_col=0) # 導入數據return df # 返回值

由于代碼不是很長，就沒有按照模塊來寫了

然后是導入源文件及其標簽。
說實話，在現實項目中，想要找到不同特征的標簽是真的真的真的太難了！！！
不要問為什么，當你實踐你就知道了~

# 導入原始數據 # 1.導入訓練和測試數據集 datafile = "*********.xls" # 原始數據文件名 # 2.導入標簽數據 y = pd.DataFrame(pd.read_csv('label****.csv')) # 讀取你的標簽數據或者原有的標簽是最好的yy = [] # 設置空矩陣# 循環將標簽導入yy矩陣中 for iy in range(y.shape[0]):Uy = y.iloc[iy, 0]yy.append(int(Uy))y = yy # 賦值給y

再讀取每個sheet中的不同特征名稱，我的數據集是這樣，如果你沒有特征名稱，最好對其進行標記，這樣會更加有效。

# 3.讀取特征標簽 feature_names = pd.DataFrame(pd.read_excel(datafile, index_col=0)).columns # 取數據的列：特征標簽 class_names = [0, 1] # 標簽名稱feat = [] # 設置空矩陣 # 循環將特征名稱添加到feat矩陣中 for tz in range(feature_names.shape[0]):tezh = feature_names[tz]feat.append(tezh) # 逐步添加進featfeature_names = feat # 賦值給feature_namesprint('特征名稱:', feature_names)

由于我的源文件會有很多個sheet，所以需要對每一個sheet進行訓練及測試，再進行保存操作，如果你只要一個數據表的話，可以對此進行相應的改進。

# 按照每一個數據Sheet讀取每一層的數據 # 讀取文件數據集 workbook = xlrd.open_workbook(datafile) # 打開數據文件 sheets = workbook.sheet_names() # 讀取原始數據的數據表sheet名 SheetNames = [] # 設置空矩陣 # 循環輸出 for sheetname in tqdm(sheets):print("表格的名稱是：", sheetname)SheetNames.append(sheetname) # 循環添加進空矩陣SheetNames中print('原始數據表的表單名稱為：', SheetNames) num_n = pd.DataFrame(SheetNames).shape[0] # 獲取表單的個數 print('表單的個數為：', num_n)# 設置空數據表1 dff = pd.DataFrame(columns=["title", "content"]) # 添加列名 dff.to_excel('SOM_Result.xlsx') # 保存到'SOM_Result.xlsx'## 設置空數據表2 dff2 = pd.DataFrame(columns=["title1", "content1"]) # 添加列名 dff2.to_excel('SOM_label_result.xlsx') # 保存到'SOM_label_result.xlsx'start_time = time() # 記錄設置開始的時間

接下來也是對我的每一個表單進行循環遍歷訓練及其測試的過程，如果只需要進行一次，那么只需要取消循環過程，更改其中的一些變量即可。
其中包含SOM的訓練及測試，權值矩陣、map、聚類結果的可視化，精確度等操作。

for i_c in range(num_n):if i_c < num_n:print('程序目前處在第%r層數.' % SheetNames[i_c])XMat = loaddata(datafile, num_name=SheetNames[i_c]) # 返回得到浮點型矩陣# 設置空數據表1dff = pd.DataFrame(columns=["title", "content"]) # 添加列名dff.to_excel('SOM_Result_'+ SheetNames[i_c] +'.xlsx') # 保存到'SOM_Result.xlsx'## 設置空數據表2dff2 = pd.DataFrame(columns=["title1", "content1"]) # 添加列名dff2.to_excel('SOM_label_result_'+ SheetNames[i_c] +'.xlsx') # 保存到'SOM_label_result.xlsx'X = XMat.values # 將DataFrame格式改為np.array矩陣# 劃分訓練集、測試集 7:3X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0) # X為原始數據，y為標簽數據，test_size為訓練集和測試集劃分比例，random_state為選擇隨機打亂的方式，可設置為0或1方式N = X_train.shape[0] #樣本數量M = X_train.shape[1] #維度/特征數量'''設置超參數'''size = math.ceil(np.sqrt(5 * np.sqrt(N))) # 經驗公式：決定輸出層尺寸print("訓練樣本個數:{} 測試樣本個數:{}".format(N, X_test.shape[0]))print("輸出網格最佳邊長為:", size)max_iter = 1000 # 迭代次數# Initialization and training（初始化及其訓練） size為神經元數，M為輸入維度/特征數量， learning——rate為學習率som = MiniSom(size, size, M, sigma=3, learning_rate=0.5,neighborhood_function='bubble') # Neighborhood_function’近鄰函數‘可選的設置有'gaussian'、'mexican_hat'、'bubble'. 調參的時候可以都試一遍，看效果'''初始化權值，有2個API'''som.pca_weights_init(X_train) # PCA降維初始化som.train_batch(X_train, max_iter, verbose=False) # train_batch 每次按順序取一個樣本，用過最后一個樣本后跳回第一個樣本，循環直到迭代次數滿足max_iterwinmap = som.labels_map(X_train, y_train) # 求取獲勝神經元# 判斷樣本的類別def classify(som,data,winmap):from numpy import sum as npsum # 導入庫default_class = npsum(list(winmap.values())).most_common()[0][0] # 獲取獲勝神經元的值result = [] # 設置空矩陣for d in data: # 循環迭代win_position = som.winner(d) # 獲勝神經元的權值位置if win_position in winmap: # 判斷是否屬于獲勝神經元result.append(winmap[win_position].most_common()[0][0]) # 將其添加進空矩陣result中else:result.append(default_class) # 若不滿足上面的條件則將default_class添加進result中print('輸出result結果：', result)return result # 返回值# 輸出混淆矩陣y_pred = classify(som, X_test, winmap) # 調用classify函數print(classification_report(y_test, np.array(y_pred))) # 輸出混淆矩陣# 繪制各種圖# U-Matrixheatmap = som.distance_map() #生成U-Matrixplt.imshow(heatmap, cmap='bone_r') #miniSom案例中用的pcolor函數,需要調整坐標plt.colorbar() # 顏色卡plt.figure(figsize=(9, 9)) # 設置圖像大小# 背景上畫U-Matrixheatmap = som.distance_map() # 熱力圖plt.pcolor(heatmap, cmap='bone_r') # plotting the distance map as background 設置樣式# 定義不同標簽的圖案標記markers = ['o', 's'] # 設置圖案樣式colors = ['C0', 'C1'] # 定義不同標簽圖案的顏色category_color = {'Normal': 'C0','fault': 'C1',} # 設置對應字典for cnt, xx in enumerate(X_train): # 迭代獲取X_train訓練數據w = som.winner(xx) # getting the winner# 在樣本Heat的地方畫上標記plt.plot(w[0]+.5, w[1]+.5, markers[y_train[cnt]], markerfacecolor='None',markeredgecolor=colors[y_train[cnt]], markersize=12, markeredgewidth=2) # plot繪制圖像，markerfacecolor：標記顏色，markersize：標記尺寸，markeredgewidth：標記寬度plt.axis([0, size, 0, size]) # 設置坐標系ax = plt.gca() # 進行坐標軸的移動,gca就是get current axesax.invert_yaxis() #顛倒y軸方向legend_elements = [Patch(facecolor=clr,edgecolor='w',label=l) for l, clr in category_color.items()]plt.legend(handles=legend_elements, loc='center left', bbox_to_anchor=(1, .95)) # 設置圖像界面細節# plt.show() # 顯示圖label_name_map_number = {"Normal":0,"Fault":1}# 神經元占比餅圖from matplotlib.gridspec import GridSpecplt.figure(figsize=(9, 9)) # 設置圖像界面大小the_grid = GridSpec(size, size) # 神經元個數for position in winmap.keys(): # 迭代獲取獲勝神經元位置label_fracs = [winmap[position][label] for label in [0,1]] # 獲取標簽plt.subplot(the_grid[position[1], position[0]], aspect=1) # 表示把顯示界面分割成the_grid[position[1]*position[0]的網格patches, texts = plt.pie(label_fracs) # 用于繪制餅圖plt.text(position[0]/100, position[1]/100, str(len(list(winmap[position].elements()))),color='black', fontdict={'weight': 'bold', 'size': 15},va='center', ha='center') # 給圖中加標簽plt.legend(patches, class_names, loc='center right', bbox_to_anchor=(-1, 9), ncol=3) # 顯示圖中的各種標簽# plt.show() # 輸出顯示圖像# 權重熱力圖plt.figure(figsize=(10, 10)) # 設置圖像大小for i, f in enumerate(feature_names): # 迭代循環獲取feature_names特征plt.subplot(4, 4, i+1) # 表示把顯示界面分割成 4*4 的網格plt.title(f) # 設置標題W = som.get_weights() # 獲得權重數據plt.imshow(W[:,:,i], cmap='coolwarm') # 輸出熱力圖，W[:,:,i]變量存儲圖像，可以是浮點型數組、unit8數組以及PIL圖像，參數cmap用于設置熱圖的Colormap，代表熱力塊的樣式顏色plt.colorbar() # colorbar，顏色卡尺plt.xticks(np.arange(size+1)) # 設置主圖的橫坐標的刻度字體大小plt.yticks(np.arange(size+1)) # 設置主圖的縱坐標的刻度字體大小# plt.show() # 輸出顯示圖像# 保存result——labelprint('開始SOM標簽Result保存！')df_winmap = pd.DataFrame.from_dict(winmap, orient='index') # 讀取轉換winmapic(df_winmap) # 輸出顯示df_winmapwriter1 = pd.ExcelWriter('SOM_label_result_'+ SheetNames[i_c] +'.xlsx', engine='openpyxl') # 讀取'SOM_label_result.xlsx'book1 = load_workbook(writer1.path) # 獲取文件路徑writer1.book = book1 # 賦值df_winmap.to_excel(excel_writer=writer1, sheet_name=str(SheetNames[i_c])) # 建立為數據表writer1.save() # 保存數據表writer1.close() # 關閉數據表print('SOM標簽Result保存結束！')# 保存result_dataprint('開始SOM最終Result坐標保存！')winner = som.win_map(X_train, return_indices=True) # 獲取SOM的獲勝神經元結果my_df = pd.DataFrame.from_dict(winner, orient='index') # 轉換輸出賦值給my_dfic(my_df) # 顯示輸出writer = pd.ExcelWriter('SOM_Result_'+ SheetNames[i_c] +'.xlsx', engine='openpyxl') # 建立數據表'SOM_Result.xlsx'book = load_workbook(writer.path) # 獲取文件路徑writer.book = book # 賦值my_df.to_excel(excel_writer=writer, sheet_name=str(SheetNames[i_c])) # 保存數據表writer.save() # 保存操作writer.close() # 關閉操作print('SOM最終Result坐標保存結束！')

大體的流程就是這樣了，minisom的庫訓練起來比Matlab快了不知道多少倍，?yyds?！！！

九月，加油吧！！！

---

?堅持讀Paper，堅持做筆記，堅持學習?！！！
?To Be No.1

??哈哈哈哈

---

?創作不易?，過路能?關注、收藏、點個贊?三連就最好不過了

?( ′･?･` )

?

『
我是這耀眼的瞬間，是劃過天邊的剎那火焰.
』

總結

以上是生活随笔為你收集整理的⚡自组织映射（SOM）神经网络⚡Python实现 |Python技能树征题的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。