# -------------------------------------------------------# # Скрипт для созданиия и тестирования различных моделей # # полносвязного перцептрона на одном наборе данных. # # В скрипте создается три модели: # # - полносвязный перцептрон с одним скрытым слоем, # # - полносвязный перцептрон с тремя срытыми слоями, # # - полносвязный перцептрон с тремя срытыми слоями # # и регуляризацией. # # При обучении моделей из обучающей выборки выделяется # # 20% выборки для валидации результатов. # # После обучения проводится проверка работоспособности # # модели на тестовой выборке (отдельный файл данных) # # -------------------------------------------------------# # Импорт библиотек import os import pandas as pd import numpy as np import tensorflow as tf from tensorflow import keras import matplotlib as mp import matplotlib.pyplot as plt import matplotlib.font_manager as fm import MetaTrader5 as mt5 # добавляем шрифты font_list=fm.findSystemFonts() for f in font_list: if(f.__contains__('ClearSans')): fm.fontManager.addfont(f) # устанавливаем параметры графиков результатов mp.rcParams.update({'font.family':'serif', 'font.serif':'Clear Sans', 'axes.titlesize': 'x-large', 'axes.labelsize':'medium', 'xtick.labelsize':'small', 'ytick.labelsize':'small', 'legend.fontsize':'small', 'figure.figsize':[6.0,4.0], 'axes.titlecolor': '#707070', 'axes.labelcolor': '#707070', 'axes.edgecolor': '#707070', 'xtick.labelcolor': '#707070', 'ytick.labelcolor': '#707070', 'xtick.color': '#707070', 'ytick.color': '#707070', 'text.color': '#707070', 'lines.linewidth': 0.8, 'axes.linewidth': 0.5 }) # Загрузка обучающей выборки if not mt5.initialize(): print("initialize() failed, error code =",mt5.last_error()) quit() path=os.path.join(mt5.terminal_info().data_path,r'MQL5\Files') mt5.shutdown() filename = os.path.join(path,'study_data.csv') data = np.asarray( pd.read_table(filename, sep=',', header=None, skipinitialspace=True, encoding='utf-8', float_precision='high', dtype=np.float64, low_memory=False)) # Разделение обучающей выборки на исходные данные и цели inputs=data.shape[1]-2 targerts=2 train_data=data[:,0:inputs] train_target=data[:,inputs:] # Созданиие первой модели с одним скрытым слоем callback = tf.keras.callbacks.EarlyStopping(monitor='loss', patience=5) model1 = keras.Sequential([keras.layers.InputLayer(input_shape=inputs), keras.layers.Dense(40, activation=tf.nn.swish), keras.layers.Dense(targerts, activation=tf.nn.tanh) ]) model1.compile(optimizer='Adam', loss='mean_squared_error', metrics=['accuracy']) history1 = model1.fit(train_data, train_target, epochs=500, batch_size=1000, callbacks=[callback], verbose=2, validation_split=0.2, shuffle=True) model1.save(os.path.join(path,'perceptron1.h5')) # Созданиие модели с тремя скрытыми слоями model2 = keras.Sequential([keras.layers.InputLayer(input_shape=inputs), keras.layers.Dense(40, activation=tf.nn.swish), keras.layers.Dense(40, activation=tf.nn.swish), keras.layers.Dense(40, activation=tf.nn.swish), keras.layers.Dense(targerts, activation=tf.nn.tanh) ]) model2.compile(optimizer='Adam', loss='mean_squared_error', metrics=['accuracy']) history2 = model2.fit(train_data, train_target, epochs=500, batch_size=1000, callbacks=[callback], verbose=2, validation_split=0.2, shuffle=True) model2.save(os.path.join(path,'perceptron2.h5')) # Добавляем регуляризацию в модель с тремя скрытыми слоями model3 = keras.Sequential([keras.layers.InputLayer(input_shape=inputs), keras.layers.Dense(40, activation=tf.nn.swish, kernel_regularizer=keras.regularizers.l1_l2(l1=1e-5, l2=1e-5)), keras.layers.Dense(40, activation=tf.nn.swish, kernel_regularizer=keras.regularizers.l1_l2(l1=1e-5, l2=1e-5)), keras.layers.Dense(40, activation=tf.nn.swish, kernel_regularizer=keras.regularizers.l1_l2(l1=1e-5, l2=1e-5)), keras.layers.Dense(targerts, activation=tf.nn.tanh) ]) model3.compile(optimizer='Adam', loss='mean_squared_error', metrics=['accuracy']) history3 = model3.fit(train_data, train_target, epochs=500, batch_size=1000, callbacks=[callback], verbose=2, validation_split=0.2, shuffle=True) model3.save(os.path.join(path,'perceptron3.h5')) # Отрисовка результатов обучениия первой модели plt.plot(history1.history['loss'], label='Train 1 hidden layer') plt.plot(history1.history['val_loss'], label='Validation 1 hidden layer') plt.ylabel('$MSE$ $loss$') plt.xlabel('$Epochs$') plt.title('Model training dynamics') plt.legend(loc='upper right') plt.figure() plt.plot(history1.history['accuracy'], label='Train 1 hidden layer') plt.plot(history1.history['val_accuracy'], label='Validation 1 hidden layer') plt.ylabel('$Accuracy$') plt.xlabel('$Epochs$') plt.title('Model training dynamics') plt.legend(loc='lower right') # Отрисовка результатов обучениия второй модели plt.figure() plt.plot(history1.history['loss'], label='Train 1 hidden layer') plt.plot(history1.history['val_loss'], label='Validation 1 hidden layer') plt.plot(history2.history['loss'], label='Train 3 hidden layers') plt.plot(history2.history['val_loss'], label='Validation 3 hidden layers') plt.ylabel('$MSE$ $loss$') plt.xlabel('$Epochs$') plt.title('Model training dynamics') plt.legend(loc='lower left',ncol=2) plt.figure() plt.plot(history1.history['accuracy'], label='Train 1 hidden layer') plt.plot(history1.history['val_accuracy'], label='Validation 1 hidden layer') plt.plot(history2.history['accuracy'], label='Train 3 hidden layers') plt.plot(history2.history['val_accuracy'], label='Validation 3 hidden layers') plt.ylabel('$Accuracy$') plt.xlabel('$Epochs$') plt.title('Model training dynamics') plt.legend(loc='lower left',ncol=2) # Отрисовка результатов обучениия третьей модели plt.figure() plt.plot(history1.history['loss'], label='Train 1 hidden layer') plt.plot(history1.history['val_loss'], label='Validation 1 hidden layer') plt.plot(history2.history['loss'], label='Train 3 hidden layers') plt.plot(history2.history['val_loss'], label='Validation 3 hidden layers') plt.plot(history3.history['loss'], label='Train 3 hidden layers\nvs regularization') plt.plot(history3.history['val_loss'], label='Validation 3 hidden layers\nvs regularization') plt.ylabel('$MSE$ $Loss$') plt.xlabel('$Epochs$') plt.title('Model training dynamics') plt.legend(loc='lower left',ncol=2) plt.figure() plt.plot(history1.history['accuracy'], label='Train 1 hidden layer') plt.plot(history1.history['val_accuracy'], label='Validation 1 hidden layer') plt.plot(history2.history['accuracy'], label='Train 3 hidden layers') plt.plot(history2.history['val_accuracy'], label='Validation 3 hidden layers') plt.plot(history3.history['accuracy'], label='Train 3 hidden layers\nvs regularization') plt.plot(history3.history['val_accuracy'], label='Validation 3 hidden layers\nvs regularization') plt.ylabel('$Accuracy$') plt.xlabel('$Epochs$') plt.title('Model training dynamics') plt.legend(loc='upper left',ncol=2) # Загрузка тестовой выборки test_filename = os.path.join(path,'test_data.csv') test = np.asarray( pd.read_table(test_filename, sep=',', header=None, skipinitialspace=True, encoding='utf-8', float_precision='high', dtype=np.float64, low_memory=False)) # Разделение тестовой выборки на исходные данные и цели test_data=test[:,0:inputs] test_target=test[:,inputs:] # Проверка результатов моделей на тестовой выборке test_loss1, test_acc1 = model1.evaluate(test_data, test_target, verbose=2) test_loss2, test_acc2 = model2.evaluate(test_data, test_target, verbose=2) test_loss3, test_acc3 = model3.evaluate(test_data, test_target, verbose=2) # Вывод результатов тестирования в журнал print('Model 1 hidden layer') print('Test accuracy:', test_acc1) print('Test loss:', test_loss1) print('Model 3 hidden layers') print('Test accuracy:', test_acc2) print('Test loss:', test_loss2) print('Model 3 hidden layers vs regularization') print('Test accuracy:', test_acc3) print('Test loss:', test_loss3) plt.figure() plt.bar(['1 hidden layer','3 hidden layers', '3 hidden layers\nvs regularization'],[test_loss1,test_loss2,test_loss3]) plt.ylabel('$MSE$ $loss$') plt.title('Test results') plt.figure() plt.bar(['1 hidden layer','3 hidden layers', '3 hidden layers\nvs regularization'],[test_acc1,test_acc2,test_acc3]) plt.ylabel('$Accuracy$') plt.title('Test results') plt.show()