>- **🍨 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:
- 本地读取并加载数据 (完成)
- 了解循环神经网络的(RNN)的构建过程(完成)
- 测试集accuracy到达87% (89.71%,完成)
🍻 拔高(可选):
- 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:
- 了解LSTM是什么,并使用其构建一个完整的程序 (完成)
- R2到达0.83 (0.8666,完成)
🍻 拔高(可选):
- 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)