K同学[365天深度学习训练营]第三周记录R1：RNN-心脏病预测、R2：LSTM-火灾温度预测

>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/rbOOmire8OocQ90QM78DRA) 中的学习记录博客**
>- **🍖 原作者：[K同学啊 | 接辅导、项目定制](https://mtyjkh.blog.csdn.net/)** 

我的环境：

- 系统环境：WSL2+Ubuntu22.04

- 语言环境：Python3.8.18

- 编译器：vscode+jupyter notebook

- 深度学习环境：TensorFlow2.10.0

这周来过一遍RNN

R1：RNN-心脏病预测

🍺 要求：

1. 本地读取并加载数据 (完成)
2. 了解循环神经网络的（RNN）的构建过程（完成）
3. 测试集accuracy到达87% （89.71%，完成）

🍻 拔高（可选）：

1. 测试集accuracy到达89%（89.71%，完成）

RNN就是在每次隐藏层都会把上一轮的输出一块带入进行训练，所以适用于时序预测。

进阶营代码禁止复制，一个一个敲老是敲错，花了不少时间。

代码运行上没什么问题

我啥也没做，第一次输出结果就已经是89.71%的准确率了。。。

好吧反正我也不会RNN调参，那就这样吧

R2：LSTM-火灾温度预测

🍺 要求：

1. 了解LSTM是什么，并使用其构建一个完整的程序 (完成)
2. R2到达0.83 （0.8666，完成）

🍻 拔高（可选）：

1. 使用第1~8个时刻的数据预测第9~10个时刻的温度数据（完成）

LSTM长短时记忆神经网络，是RNN的一个变种。在网络中加入了遗忘门、记忆门、输出门，是指能对长时间序列的输入信息进行处理。

代码简单，只要打对就能一键运行，输出结果：

决定系数0.8666，完成

模型调用：

连续预测可以定义生成器，不过就想获得9、10的话可以简单点

从标准化数据集中选取前八个时间步，输入到模型，得到第九个时间步的预测数据
然后将第九个时间步加入，将第二个时间步到第九个时间步输入到模型，得到第十个时间步

代码为：
 

test_data = X_scaled[ 0, : , : ]

# 使用模型预测新数据
test_data = test_data.reshape(1, width_X, 3)  # 重塑数据以符合模型的输入形状

# 使用模型进行第9个时间步的预测
prediction_9 = model_lstm.predict(test_data)[0, 0]  # 第9个时间步的预测值

# 将第9个时间步的预测值加入到test_data中
test_data[0, :-1, :] = test_data[0, 1:, :]
test_data[0, -1, 0] = prediction_9  # 将第9个时间步的预测值放入test_data的最后一个时间步

# 使用模型进行第10个时间步的预测
prediction_10 = model_lstm.predict(test_data)[0, 0]  # 第10个时间步的预测值

prediction_9,prediction_10

输出为：

1/1 [==============================] - ETA: 0s
1/1 [==============================] - 0s 23ms/step
1/1 [==============================] - 0s 20ms/step
(25.484337, 39.83159)