浦东新区手机网站建设房产手机网站模板

浦东新区手机网站建设,房产手机网站模板,厦门网站开发网络公司,淮南寿县多模型统一导出 t-SNE 可视化数据的工程实践#xff08;1DCNN / DAN / DNN / DRN / Transformer#xff09; 一、写在前面#xff1a;为什么要“统一导出 t-SNE 数据” 在深度学习故障识别与特征分析中#xff0c;t-SNE 可视化是最常用的手段之一#xff0c;用于直观展示1DCNN / DAN / DNN / DRN / Transformer一、写在前面为什么要“统一导出 t-SNE 数据”在深度学习故障识别与特征分析中t-SNE 可视化是最常用的手段之一用于直观展示不同类别样本在特征空间中的聚类情况不同模型特征提取能力的差异真实标签与预测标签下特征分布的一致性或偏差。但在实际工程中随着模型数量增多如1DCNN、DAN、DNN、DRN、Transformer、SNN等如果每个模型单独随意写一段 t-SNE 代码后期会面临文件命名混乱特征层含义不统一可视化结果难以横向对比论文作图时重复返工。因此我在实验中采用了**“统一导出 t-SNE 数据 → Excel 保存 → 后处理绘图”**的方式对不同模型的特征与预测结果进行规范化整理。二、整体设计思路所有模型的 t-SNE 导出逻辑统一遵循两类数据1特征层 t-SNE按真实标签用于分析模型特征提取能力原始输入 → 特征层输出 → t-SNE → Class Y_test2预测结果 t-SNE按预测标签用于分析模型判别边界与误分类情况预测结果 XY → t-SNE → Class y_pred最终统一导出为 Excel 文件便于Python / MATLAB / Origin / Excel 作图论文中统一配色与版式多模型对比分析。三、1DCNN-SNN 模型的 t-SNE 导出示例1️⃣ 特征层输出真实标签tsneTSNE(n_components2,perplexity30,random_state42)X_tsnetsne.fit_transform(features_test.numpy())tsne_dfpd.DataFrame(X_tsne,columns[t-SNE Feature 1,t-SNE Feature 2])tsne_df[Class]Y_test.numpy()tsne_df.to_excel(./1DCNN-SNN预测图表/tSNE_features.xlsx,indexFalse)2️⃣ 预测结果 t-SNE预测标签xy_datapd.read_excel(./1DCNN-SNN预测图表/预测-XY.xlsx).values tsne2TSNE(n_components2,perplexity30,random_state42)X_tsne2tsne2.fit_transform(xy_data[:,:-1])tsne2_dfpd.DataFrame(X_tsne2,columns[t-SNE Feature 1,t-SNE Feature 2])tsne2_df[Class]xy_data[:,-1]tsne2_df.to_excel(./1DCNN-SNN预测图表/tSNE_predicted_XY.xlsx,indexFalse)四、标准 1DCNN 模型Flatten 特征与 SNN 不同标准 1DCNN 更关注Flatten 后的高维特征表示。tsneTSNE(n_components2,perplexity30,random_state42)X_tsnetsne.fit_transform(features_test.numpy())tsne_dfpd.DataFrame(X_tsne,columns[t-SNE Feature 1,t-SNE Feature 2])tsne_df[Class]Y_test.numpy()tsne_df.to_excel(./1DCNN预测图表/tSNE_flatten_features.xlsx,indexFalse)预测-XY 部分与前述方法完全一致仅目录不同。五、DAN 模型编码特征DANDeep Autoencoder Network通常分析编码器输出特征tsneTSNE(n_components2,perplexity30,random_state42)X_tsnetsne.fit_transform(encoded_features.numpy())tsne_dfpd.DataFrame(X_tsne,columns[t-SNE Feature 1,t-SNE Feature 2])tsne_df[Class]Y_test.numpy()tsne_df.to_excel(./DAN预测图表/tSNE_encoded_features.xlsx,indexFalse)六、DNN 模型隐藏层特征对于 DNN更有意义的是分析倒数隐藏层输出_,test_features_outputmodel(X_test)tsneTSNE(n_components2,perplexity30,random_state42)X_tsnetsne.fit_transform(test_features_output.detach().numpy())tsne_dfpd.DataFrame(X_tsne,columns[t-SNE Feature 1,t-SNE Feature 2])tsne_df[Class]Y_test.numpy()tsne_df.to_excel(./DNN预测图表/tSNE_hidden_features.xlsx,indexFalse)七、DRN 模型特征层输出DRN深度残差网络同样遵循统一接口tsneTSNE(n_components2,perplexity30,random_state42)X_tsnetsne.fit_transform(features_test.numpy())tsne_dfpd.DataFrame(X_tsne,columns[t-SNE Feature 1,t-SNE Feature 2])tsne_df[Class]Y_test.numpy()tsne_df.to_excel(./DRN预测图表/tSNE_features.xlsx,indexFalse)八、Transformer 模型真实 / 预测双视角Transformer 模型中编码器隐藏特征尤为重要因此分别导出1️⃣ 按真实标签tsneTSNE(n_components2,initpca,random_state0)x_feature_tsnetsne.fit_transform(x_feature.cpu().numpy())tsne_hidden_dfpd.DataFrame(x_feature_tsne,columns[t-SNE Feature 1,t-SNE Feature 2])tsne_hidden_df[Class]Y_test.cpu().numpy()tsne_hidden_df.to_excel(./Transformer预测图表/tSNE_hidden_features.xlsx,indexFalse)2️⃣ 按预测标签tsne2TSNE(n_components2,initpca,random_state0)x_feature_tsne_predtsne2.fit_transform(x_feature.cpu().numpy())tsne_pred_dfpd.DataFrame(x_feature_tsne_pred,columns[t-SNE Feature 1,t-SNE Feature 2])tsne_pred_df[Class]y_pred_test_label.cpu().numpy()tsne_pred_df.to_excel(./Transformer预测图表/tSNE_predicted_XY.xlsx,indexFalse)九、结语需要说明的是本文中涉及的 1DCNN、DAN、DNN、DRN、Transformer 等深度学习方法仅作为模型名称出现用于区分不同特征提取结构下的 t-SNE 可视化结果。具体网络结构、训练流程及实现代码需根据实际任务自行编写或参考原始文献本文未给出完整模型实现。本文的重点在于如何在多模型对比实验中统一整理并导出各类特征层与预测结果的 t-SNE 数据以便于后续可视化分析和论文作图。相关代码主要用于展示 t-SNE 数据整理思路而非深度学习模型的复现示例。