Question

我的数据如下：

可以查看here，并且已包含在下面的代码中。实际上我有~7000个样本（行），downloadable too。

任务给予抗原，预测相应的表位。因此表位始终是抗原的精确子串。这相当于 Sequence to Sequence Learning 。这是我在Keras下的Recurrent Neural Network上运行的代码。它是根据example建模的。

我的问题是：

RNN，LSTM或GRU可用于预测上面提出的子序列吗？
如何提高代码的准确性？
如何修改我的代码以便它可以更快地运行？

这是我的运行代码，它给出了非常差的准确度分数。

#!/usr/bin/env python
# -*- coding: utf-8 -*-
from __future__ import print_function
import sys
import json
import pandas as pd
from keras.models import Sequential
from keras.engine.training import slice_X
from keras.layers.core import Activation,  RepeatVector, Dense
from keras.layers import recurrent, TimeDistributed
import numpy as np
from six.moves import range

class CharacterTable(object):
    '''
    Given a set of characters:
    + Encode them to a one hot integer representation
    + Decode the one hot integer representation to their character output
    + Decode a vector of probabilties to their character output
    '''
    def __init__(self, chars, maxlen):
        self.chars = sorted(set(chars))
        self.char_indices = dict((c, i) for i, c in enumerate(self.chars))
        self.indices_char = dict((i, c) for i, c in enumerate(self.chars))
        self.maxlen = maxlen

    def encode(self, C, maxlen=None):
        maxlen = maxlen if maxlen else self.maxlen
        X = np.zeros((maxlen, len(self.chars)))
        for i, c in enumerate(C):
            X[i, self.char_indices[c]] = 1
        return X

    def decode(self, X, calc_argmax=True):
        if calc_argmax:
            X = X.argmax(axis=-1)
        return ''.join(self.indices_char[x] for x in X)

class colors:
    ok = '\033[92m'
    fail = '\033[91m'
    close = '\033[0m'

INVERT = True
HIDDEN_SIZE = 128
BATCH_SIZE = 64
LAYERS = 3
# Try replacing GRU, or SimpleRNN
RNN = recurrent.LSTM


def main():
    """
    Epitope_core = answers
    Antigen      = questions
    """

    epi_antigen_df = pd.io.parsers.read_table("http://dpaste.com/2PZ9WH6.txt")
    antigens = epi_antigen_df["Antigen"].tolist()
    epitopes = epi_antigen_df["Epitope Core"].tolist()

    if INVERT:
        antigens = [ x[::-1] for x in antigens]

    allchars = "".join(antigens+epitopes)
    allchars = list(set(allchars))
    aa_chars =  "".join(allchars)
    sys.stderr.write(aa_chars + "\n")

    max_antigen_len = len(max(antigens, key=len))
    max_epitope_len = len(max(epitopes, key=len))

    X = np.zeros((len(antigens),max_antigen_len, len(aa_chars)),dtype=np.bool)
    y = np.zeros((len(epitopes),max_epitope_len, len(aa_chars)),dtype=np.bool)

    ctable = CharacterTable(aa_chars, max_antigen_len)

    sys.stderr.write("Begin vectorization\n")
    for i, antigen in enumerate(antigens):
        X[i] = ctable.encode(antigen, maxlen=max_antigen_len)
    for i, epitope in enumerate(epitopes):
        y[i] = ctable.encode(epitope, maxlen=max_epitope_len)


    # Shuffle (X, y) in unison as the later parts of X will almost all be larger digits
    indices = np.arange(len(y))
    np.random.shuffle(indices)
    X = X[indices]
    y = y[indices]

    # Explicitly set apart 10% for validation data that we never train over
    split_at = len(X) - len(X) / 10
    (X_train, X_val) = (slice_X(X, 0, split_at), slice_X(X, split_at))
    (y_train, y_val) = (y[:split_at], y[split_at:])

    sys.stderr.write("Build model\n")
    model = Sequential()
    # "Encode" the input sequence using an RNN, producing an output of HIDDEN_SIZE
    # note: in a situation where your input sequences have a variable length,
    # use input_shape=(None, nb_feature).
    model.add(RNN(HIDDEN_SIZE, input_shape=(max_antigen_len, len(aa_chars))))
    # For the decoder's input, we repeat the encoded input for each time step
    model.add(RepeatVector(max_epitope_len))
    # The decoder RNN could be multiple layers stacked or a single layer
    for _ in range(LAYERS):
        model.add(RNN(HIDDEN_SIZE, return_sequences=True))

    # For each of step of the output sequence, decide which character should be chosen
    model.add(TimeDistributed(Dense(len(aa_chars))))
    model.add(Activation('softmax'))

    model.compile(loss='categorical_crossentropy',
                optimizer='adam',
                metrics=['accuracy'])

    # Train the model each generation and show predictions against the validation dataset
    for iteration in range(1, 200):
        print()
        print('-' * 50)
        print('Iteration', iteration)
        model.fit(X_train, y_train, batch_size=BATCH_SIZE, nb_epoch=5,
                validation_data=(X_val, y_val))
        ###
        # Select 10 samples from the validation set at random so we can visualize errors
        for i in range(10):
            ind = np.random.randint(0, len(X_val))
            rowX, rowy = X_val[np.array([ind])], y_val[np.array([ind])]
            preds = model.predict_classes(rowX, verbose=0)
            q = ctable.decode(rowX[0])
            correct = ctable.decode(rowy[0])
            guess = ctable.decode(preds[0], calc_argmax=False)
            # print('Q', q[::-1] if INVERT else q)
            print('T', correct)
            print(colors.ok + '☑' + colors.close if correct == guess else colors.fail + '☒' + colors.close, guess)
            print('---')

if __name__ == '__main__':
    main()

Answer 1

RNN，LSTM或GRU可用于预测上面提出的子序列吗？

是的，您可以使用其中任何一种。 LSTM和GRU是RNN的类型;如果通过RNN你的意思是fully-connected RNN，由于梯度消失问题（1，2），这些已经失宠了。由于数据集中的示例数量相对较少，因此GRU可能比LSTM更易于构建。

如何提高代码的准确性？

您提到培训和验证错误都很糟糕。一般来说，这可能是由于以下几个因素之一：

学习率太低（不是问题，因为您使用Adam，每个参数的自适应学习速率算法）
模型对于数据来说太简单了（根本不是问题，因为你有一个非常复杂的模型和一个小数据集）。
你的渐变渐渐消失（因为你有3层RNN，可能就是问题）。尝试将层数减少到1（一般来说，通过使简单模型工作然后增加复杂性来开始是好的），并且还考虑超参数搜索（例如，128维隐藏状态可能太大 - 试试30？）。

另一种选择，因为您的表位是您输入的子串，是预测抗原序列中表位的起始和终止指数（可能通过抗原序列的长度标准化）一次预测子字符串一个字符。这将是两个任务的回归问题。例如，如果抗原是FSKIAGLTVT（10个字母长）并且其表位是KIAGL（位置3到7，一个基础）那么输入将是FSKIAGLTVT并且输出将是0.3（第一任务）和0.7（第二任务）

或者，如果您可以使所有抗原长度相同（通过使用短抗原去除数据集的部分和/或切断长抗原的末端，假设您知道先验表位不在末端附近），你可以把它作为一个分类问题，用两个任务（开始和结束）和序列长度类来构建，你在这里尝试将抗原的概率分配给每个职位。

如何修改我的代码以便它可以更快地运行？

减少图层数会显着加快代码速度。此外，由于结构更简单，GRU将比LSTM更快。但是，两种类型的循环网络都比例如慢。卷积网络。

如果您对合作感兴趣，请随时给我发送电子邮件（我个人资料中的地址）。

使用深度学习来预测序列的子序列

1 个答案: