四十五.门控循环单元(GRU)简介和keras实现

1.网络结构

U是LSTM的一种变体，可以说是简化版本的LSTM，但是预测效果也很不错，因此更常用。
GRU使记忆体$h^t$融合了长期记忆和短期记忆。

(1)记忆体$h^t$

$$h^t=z^t\odot h^{t-1}+(1-z^t)\odot \widehat{h^t}$$
其中，$z^t$为更新门，控制当前状态需要从历史状态中保留多少信息，以及需要从候选状态中接受多少新信息。

(2)候选状态$\widehat{h^t}$

$$\widehat{h^t}=\tanh ({\mathbf{W}}_h{x}^t+\mathbf{U}(r^t\odot h^{t-1})+{\mathbf{b}}_h)$$
其中，$r^t$为$t$时刻的重置门。

(3)重置门和更新门

重置门用来控制候选状态$\widehat{h^t}$ 的计算是否依赖上一时刻的记忆体:
$$r^t=sigmoid({\mathbf{W}}_r{x}^t+{\mathbf{U}}_r{h}^{t-1}+{\mathbf{b}}_r)$$
从计算公式可知，$r^t\in [0,1]$。当$r^t=0$时，候选状态和历史状态无关；当$r^t=1$时，候选状态和简单循环网络一致。
更新门的作用和求解方式与重置门相同，计算过程如下：
$$z^t=sigmoid({\mathbf{W}}_z{x}^t+{\mathbf{U}}_z{h}^{t-1}+{\mathbf{b}}_z)$$

2.前向传播过程

(1)计算更新门和重置门：
$$\begin{gathered} r^t=sigmoid({\mathbf{W}}_r{x}^t+{\mathbf{U}}_r{h}^{t-1}+{\mathbf{b}}_r) \\ {z}^t=sigmoid({\mathbf{W}}_z{x}^t+{\mathbf{U}}_z{h}^{t-1}+{\mathbf{b}}_z) \end{gathered}$$
(2)通过重置门和上一时刻记忆体，更新候选状态：
$$\widehat{h^t}=\tanh ({\mathbf{W}}_h{x}^t+\mathbf{U}(r^t\odot h^{t-1})+{\mathbf{b}}_h)$$
(3)计算当前时刻记忆体:
$$h^t=z^t\odot h^{t-1}+(1-z^t)\odot \widehat{h^t}$$

3.keras+GPU茅台股票预测

#导入工具包
import pandas as pd
maotai=pd.read_csv('./SH600519.csv')
training_set = maotai.iloc[0:2126,2:3].values
test_set = maotai.iloc[2126:,2:3].values
print(training_set.shape,test_set.shape)

#数据归一化
from sklearn.preprocessing import MinMaxScaler
print(training_set.max(),training_set.min())
sc=MinMaxScaler(feature_range=(0,1))
training_set=sc.fit_transform(training_set)
test_set=sc.fit_transform(test_set)
print(training_set.max(),training_set.min())

#划分数据集测试集
#调整数据维度
import numpy as np
import tensorflow as tf
x_train,y_train,x_test,y_test=[],[],[],[]
for i in range(60,len(training_set)):
    x_train.append(training_set[i-60:i,0])
    y_train.append(training_set[i,0])
np.random.seed(7)
np.random.shuffle(x_train)
np.random.seed(7)
np.random.shuffle(y_train)
tf.random.set_seed(7)
x_train,y_train = np.array(x_train),np.array(y_train)
x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))
for i in range(60, len(test_set)):
    x_test.append(test_set[i - 60:i, 0])
    y_test.append(test_set[i, 0])
x_test, y_test = np.array(x_test), np.array(y_test)
x_test = np.reshape(x_test, (x_test.shape[0], 60, 1))

#搭建GRU网络
from tensorflow.keras.layers import GRU,Dropout,Dense
model = tf.keras.Sequential([
    GRU(80,return_sequences=True),
    Dropout(0.2),
    GRU(100),
    Dropout(0.2),
    Dense(1)
])

#配置网络
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
              loss='mean_squared_error')

#训练网络
history = model.fit(x_train, y_train, batch_size=64, epochs=50, 
                    validation_data=(x_test, y_test), validation_freq=1)

#绘制Loss曲线
loss =  history.history['loss']
val_loss = history.history['val_loss']
plt.plot(loss,label='Training Loss')
plt.plot(val_loss,label='Validation Loss')
plt.legend()
plt.title('Loss')
plt.show()

#预测test并且和真实标签对比
predict_price = model.predict(x_test)
predict_price = sc.inverse_transform(predict_price)
real_price = sc.inverse_transform(test_set[60:])
plt.plot(real_price, color='red', label='MaoTai Stock Price')
plt.plot(predict_price, color='blue', label='Predicted MaoTai Stock Price')
plt.title('MaoTai Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('MaoTai Stock Price')
plt.legend()
plt.show()