Python與機器學習（第2版）（微課版） 課件 10-07-誤差自動補償任務實施

誤差自動補償任務實施【數(shù)據(jù)挖掘應用】課程智能產(chǎn)線應用會對數(shù)據(jù)進行合理的預處理；會根據(jù)需要正確設計、訓練全連接神經(jīng)網(wǎng)絡模型；會根據(jù)結果調整神經(jīng)網(wǎng)絡參數(shù)實現(xiàn)優(yōu)化；會正確部署神經(jīng)網(wǎng)絡模型；會調用神經(jīng)網(wǎng)絡模型實現(xiàn)誤差補償。能力目標誤差自動補償數(shù)據(jù)分析主要內容任務工單引導問題任務評價標準任務解決步驟代碼解析任務背景誤差補償分析補償模型自動誤差補償控制模塊原因：設備振動和溫度變化等因素導致原有生產(chǎn)工藝無法實現(xiàn)高質量生產(chǎn)途徑：對參數(shù)進行分析，自動修正加工參數(shù)目標：更多合格品指標：產(chǎn)品加工精度溫度補償示例教學難點任務工單

基于給定CSV文件中的誤差數(shù)據(jù)進行模型訓練，可選擇、調用云端已提供的完整模型框架，設計全連接神經(jīng)網(wǎng)絡進行模型訓練。任務概述

基于給定的誤差補償數(shù)據(jù)，訓練全連接神經(jīng)網(wǎng)絡模型，并部署應用于工件生產(chǎn)過程中的自動化調參。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務描述：

加工

雕刻

圖案

繪制

結果誤差補償數(shù)據(jù)清洗誤差補償模型構建誤差補償模型訓練與優(yōu)化誤差補償模型應用全連接神經(jīng)網(wǎng)絡用于設備自動調參可提高生產(chǎn)合格率、節(jié)省材料、提高加工精度自動誤差補償控制模塊加工雕刻過程顯示任務概述（1）全連接神經(jīng)網(wǎng)絡有什么特點？可以應用在什么場合？（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？當測試結果較好但實際應用效果不好時，會是什么原因？”

問題引導：任務概述

任務評價：任務概述評價內容評價要點分值分數(shù)評定自我評價1.任務實施數(shù)據(jù)獲取與清洗2分數(shù)據(jù)正確讀取與顯示得1分，會清洗數(shù)據(jù)得1分

模型構建2分會設計全連接神經(jīng)網(wǎng)絡模型得1分，模型正確構建得1分

模型訓練1分模型訓練能正確執(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分訓練MSE值0.5以下得1分，0.25以下得2分

3.任務總結依據(jù)任務實施情況總結結論1分總結內容切中本任務的重點要點得1分

合計10分

任務解決方案（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()任務解決方案（2）切分數(shù)據(jù)集準備好模型訓練所需的訓練集與測試集。按一定的比例隨機切分數(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)#分別獲取訓練集和測試集的特征以及補償值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)任務解決方案（3）設計神經(jīng)網(wǎng)絡根據(jù)應用場景和數(shù)據(jù)特征，設計全連接神經(jīng)網(wǎng)絡結構并進行訓練。fromtensorflowimportkerasfromtensorflow.kerasimportlayersfromtensorflow.keras.layers.experimentalimportpreprocessingfromkerasimportregularizersmodel=tf.keras.Sequential([#根據(jù)情況調整模型結構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])])任務解決方案（4）模型編譯與訓練根據(jù)應用場景和數(shù)據(jù)特征，設置損失函數(shù)、優(yōu)化器、指標等參數(shù)。model.compile(loss="mse",

optimizer="adam",metrics='acc')#根據(jù)情況調整參數(shù)model.summary()model.fit(#根據(jù)情況調整參數(shù)train_features,train_labels,epochs=200,batch_size=32)任務解決方案（5）模型評估與保存使用測試集檢測模型效果。繼續(xù)修改結構并訓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)任務解決方案（6）模型部署與應用修改誤差任務中的“服務地址”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