23-06-11

env.yaml 추가 - 가상환경 생성하기 간편하게 하기 위해 추가

env.yaml

@@ -0,0 +1,17 @@
+name: pso
+channels:
+  - conda-forge
+  - nvidia/label/cuda-11.8.0
+  - defaults
+dependencies:
+  - cuda-nvcc=11.8.89=0
+  - cudatoolkit=11.8.0=h6a678d5_0
+  - matplotlib=3.7.1=py39h06a4308_1
+  - pandas=1.5.3=py39h417a72b_0
+  - pip=23.0.1=py39h06a4308_0
+  - python=3.9.16=h7a1cb2a_2
+  - pip:
+      - numpy==1.23.5
+      - nvidia-cudnn-cu11==8.6.0.163
+      - tensorflow==2.12.0
+      - tqdm==4.65.1.dev3+g5587f0d

mnist.py

@@ -70,7 +70,7 @@ if __name__ == "__main__":
         pso_mnist = Optimizer(
             model,
             loss=loss[0], 
-            n_particles=200,
+            n_particles=50,
             c0=0.35, 
             c1=0.8, 
             w_min=0.7,

readme.md

@@ -25,13 +25,19 @@ $$
 
 위치를 가장 최적값으로 변경하면 지역 최적값에서 벗어나지 못합니다. 따라서 전역 최적값을 찾을 수 없습니다.
 
+# 초기 세팅
+
+``` shell
+ conda env create -f env.yaml 
+```
+
 # 현재 진행 상황
 
 ## 1. PSO 알고리즘 구현
 
 ### 파일 구조
 
-```plain text
+``` plain text
 |-- metacode   # pso 기본 코드
 |  |-- pso_bp.py # 오차역전파 함수를 최적화하는 PSO 알고리즘 구현 - 성능이 99% 이상으로 나오나 목적과 다름
 |  |-- pso_meta.py # PSO 기본 알고리즘 구현
@@ -77,6 +83,7 @@ pso 알고리즘을 이용하여 오차역전파 함수를 최적화 하는 방
 ## 3. PSO 알고리즘을 이용하여 풀이한 문제들의 정확도
 
 ### 1. xor 문제
+
 ``` python
  loss = 'mean_squared_error'
 
@@ -103,10 +110,12 @@ pso 알고리즘을 이용하여 오차역전파 함수를 최적화 하는 방
     check_point=25
     )
 ```
+
 위의 파라미터 기준 40 세대 이후부터 정확도가 100%가 나오는 것을 확인하였습니다
 ![xor](./history_plt/xor_sigmoid_2_acc_40.png)
 
 2. iris 문제
+
 ``` python
 loss = 'categorical_crossentropy'
 
@@ -133,10 +142,12 @@ best_score = pso_iris.fit(
     check_point=25
     )
 ```
+
 위의 파라미터 기준 2 세대에 94%의 정확도를, 7 세대에 96%, 106 세대에 99.16%의 정확도를 보였습니다
 ![iris](./history_plt/iris_relu_acc_200.png)
 
 3. mnist 문제
+
 ``` python
 loss = 'mean_squared_error'
 
@@ -163,6 +174,7 @@ best_score = pso_mnist.fit(
     check_point=25
     )
 ```
+
 위의 파라미터 기준 현재 정확도 38%를 보이고 있습니다
 ![mnist](./history_plt/mnist_cnn_acc.png)
 

test.ipynb

@@ -391,13 +391,51 @@
     "print(y_test)\n",
     "print(model.evaluate(x_test,y_test))"
    ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 1,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stderr",
+     "output_type": "stream",
+     "text": [
+      "2023-06-11 14:01:31.378413: I tensorflow/core/platform/cpu_feature_guard.cc:182] This TensorFlow binary is optimized to use available CPU instructions in performance-critical operations.\n",
+      "To enable the following instructions: AVX2 FMA, in other operations, rebuild TensorFlow with the appropriate compiler flags.\n"
+     ]
+    },
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "TensorFlow version: 2.12.0\n",
+      "Linked TRT ver: (8, 4, 3)\n"
+     ]
+    }
+   ],
+   "source": [
+    "import tensorflow as tf\n",
+    "print(\"TensorFlow version:\", tf.__version__)\n",
+    "import tensorflow.compiler as tf_cc\n",
+    "import tensorrt as trt\n",
+    "linked_trt_ver=tf_cc.tf2tensorrt._pywrap_py_utils.get_linked_tensorrt_version()\n",
+    "print(f\"Linked TRT ver: {linked_trt_ver}\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
   }
  ],
  "metadata": {
   "kernelspec": {
    "display_name": "pso",
    "language": "python",
-   "name": "pso"
+   "name": "python3"
   },
   "language_info": {
    "codemirror_mode": {

xor.py

@@ -21,7 +21,7 @@ print(tf.__version__)
 print(tf.config.list_physical_devices())
 
 def get_data():
-    x = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
+    x = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) 
     y = np.array([[0], [1], [1], [0]])
     return x, y