Python與機(jī)器學(xué)習(xí)（第2版）（微課版） 課件 10-07-誤差自動(dòng)補(bǔ)償任務(wù)實(shí)施

誤差自動(dòng)補(bǔ)償任務(wù)實(shí)施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用會(huì)對數(shù)據(jù)進(jìn)行合理的預(yù)處理；會(huì)根據(jù)需要正確設(shè)計(jì)、訓(xùn)練全連接神經(jīng)網(wǎng)絡(luò)模型；會(huì)根據(jù)結(jié)果調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)優(yōu)化；會(huì)正確部署神經(jīng)網(wǎng)絡(luò)模型；會(huì)調(diào)用神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)誤差補(bǔ)償。能力目標(biāo)誤差自動(dòng)補(bǔ)償數(shù)據(jù)分析主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價(jià)標(biāo)準(zhǔn)任務(wù)解決步驟代碼解析任務(wù)背景誤差補(bǔ)償分析補(bǔ)償模型自動(dòng)誤差補(bǔ)償控制模塊原因：設(shè)備振動(dòng)和溫度變化等因素導(dǎo)致原有生產(chǎn)工藝無法實(shí)現(xiàn)高質(zhì)量生產(chǎn)途徑：對參數(shù)進(jìn)行分析，自動(dòng)修正加工參數(shù)目標(biāo)：更多合格品指標(biāo)：產(chǎn)品加工精度溫度補(bǔ)償示例教學(xué)難點(diǎn)任務(wù)工單

基于給定CSV文件中的誤差數(shù)據(jù)進(jìn)行模型訓(xùn)練，可選擇、調(diào)用云端已提供的完整模型框架，設(shè)計(jì)全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練。任務(wù)概述

基于給定的誤差補(bǔ)償數(shù)據(jù)，訓(xùn)練全連接神經(jīng)網(wǎng)絡(luò)模型，并部署應(yīng)用于工件生產(chǎn)過程中的自動(dòng)化調(diào)參。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：

加工

雕刻

圖案

繪制

結(jié)果誤差補(bǔ)償數(shù)據(jù)清洗誤差補(bǔ)償模型構(gòu)建誤差補(bǔ)償模型訓(xùn)練與優(yōu)化誤差補(bǔ)償模型應(yīng)用全連接神經(jīng)網(wǎng)絡(luò)用于設(shè)備自動(dòng)調(diào)參可提高生產(chǎn)合格率、節(jié)省材料、提高加工精度自動(dòng)誤差補(bǔ)償控制模塊加工雕刻過程顯示任務(wù)概述（1）全連接神經(jīng)網(wǎng)絡(luò)有什么特點(diǎn)？可以應(yīng)用在什么場合？（2）如何查找數(shù)據(jù)集中的異常值？該如何處理？（3）如何通過發(fā)現(xiàn)原始數(shù)據(jù)中的規(guī)律來尋找噪聲數(shù)據(jù)？（4）如何測試模型的優(yōu)劣？當(dāng)測試結(jié)果較好但實(shí)際應(yīng)用效果不好時(shí)，會(huì)是什么原因？”

問題引導(dǎo)：任務(wù)概述

任務(wù)評價(jià)：任務(wù)概述評價(jià)內(nèi)容評價(jià)要點(diǎn)分值分?jǐn)?shù)評定自我評價(jià)1.任務(wù)實(shí)施數(shù)據(jù)獲取與清洗2分?jǐn)?shù)據(jù)正確讀取與顯示得1分，會(huì)清洗數(shù)據(jù)得1分

模型構(gòu)建2分會(huì)設(shè)計(jì)全連接神經(jīng)網(wǎng)絡(luò)模型得1分，模型正確構(gòu)建得1分

模型訓(xùn)練1分模型訓(xùn)練能正確執(zhí)行得1分模型保存2分模型正確保存得1分，模型正確部署得1分

2.效果評估模型評估2分訓(xùn)練MSE值0.5以下得1分，0.25以下得2分

3.任務(wù)總結(jié)依據(jù)任務(wù)實(shí)施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點(diǎn)要點(diǎn)得1分

合計(jì)10分

任務(wù)解決方案（1）數(shù)據(jù)加載與清洗使用pandas工具從./wc.csv中讀取數(shù)據(jù)，并對數(shù)據(jù)做必要的清洗。importnumpyasnpimportpandasaspdraw_dataset=pd.read_csv('./wc.csv',sep=',',skipinitialspace=True)np.set_printoptions(precision=3,suppress=True)dataset=raw_dataset.copy()#做必要的清洗print("剔除前：",dataset.shape)dataset=dataset.dropna()dataset=dataset[dataset["score"]>90]print("剔除后：",dataset.shape)dataset.head()任務(wù)解決方案（2）切分?jǐn)?shù)據(jù)集準(zhǔn)備好模型訓(xùn)練所需的訓(xùn)練集與測試集。按一定的比例隨機(jī)切分?jǐn)?shù)據(jù)。#數(shù)據(jù)集切分train_dataset=dataset.sample(

frac=0.8,random_state=0)test_dataset=dataset.drop(train_dataset.index)#分別獲取訓(xùn)練集和測試集的特征以及補(bǔ)償值train_features=train_dataset.copy()train_labels=train_features[['c'+str(i+1)foriinrange(8)]].copy()train_features=train_features.drop(['c'+str(i+1)foriinrange(8)],axis=1)train_features=train_features.drop(['score'],axis=1)任務(wù)解決方案（3）設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)根據(jù)應(yīng)用場景和數(shù)據(jù)特征，設(shè)計(jì)全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并進(jìn)行訓(xùn)練。fromtensorflowimportkerasfromtensorflow.kerasimportlayersfromtensorflow.keras.layers.experimentalimportpreprocessingfromkerasimportregularizersmodel=tf.keras.Sequential([#根據(jù)情況調(diào)整模型結(jié)構(gòu)layers.Dense(100,input_dim=train_features.shape[1],

activation=‘tanh’)layers.Dense(100,activation="tanh"),layers.Dense(32,activation="tanh"),layers.Dropout(0.5),layers.Dense(train_labels.shape[1])])任務(wù)解決方案（4）模型編譯與訓(xùn)練根據(jù)應(yīng)用場景和數(shù)據(jù)特征，設(shè)置損失函數(shù)、優(yōu)化器、指標(biāo)等參數(shù)。model.compile(loss="mse",

optimizer="adam",metrics='acc')#根據(jù)情況調(diào)整參數(shù)model.summary()model.fit(#根據(jù)情況調(diào)整參數(shù)train_features,train_labels,epochs=200,batch_size=32)任務(wù)解決方案（5）模型評估與保存使用測試集檢測模型效果。繼續(xù)修改結(jié)構(gòu)并訓(xùn)練直至獲得符合要求的MSE值。保存模型。test_preds=model.predict(test_features)print("y1MSE:%.4f"%

mean_squared_error(test_labels,test_preds))tf.keras.models.save_model(model,

'/tf/models/adjustment/tensorflow/1/',

#/tf/models/adjustment/tensorflow為tensorflow-serving的模型根目錄overwrite=True,include_optimizer=True,save_format=None,signatures=None,options=None)任務(wù)解決方案（6）模型部署與應(yīng)用修改誤差任務(wù)中的“服務(wù)地址”為最后的模型算法地址。在【PLC觸控操作面板】上切換模式，查看