TensorFlow对于sin函数的预测----RNN模型

最新推荐文章于 2024-07-20 21:30:45 发布

阳光非宅男

最新推荐文章于 2024-07-20 21:30:45 发布

阅读量2.5k

点赞数

分类专栏：机器学习/TensorFlow 文章标签： TensorFlow RNN LSTM sin预测

本文链接：https://blog.csdn.net/yunge812/article/details/79444089

版权

机器学习/TensorFlow 专栏收录该内容

16 篇文章 8 订阅

订阅专栏

一、总体介绍
对于sin函数的输入样本进行训练，得到sin函数相关的RNN网络架构，预测sin函数的趋势
二、相关参数设置

HIDDEN_SIZE     = 30      #隐藏层层数
NUM_LAYERS      = 2       #RNN层数
TIMESTEPS       = 10      #RNN的截断长度 利用10个点的信息  预测第11个点的信息
TRAIN_STEP      = 10000   #训练轮数    
TRAIN_EXAMPLES  = 10000   #训练数据的个数
BATCH_SIZE      = 32      #训练的batch  

TEST_EXAMPLES   = 10000   #测试数据的个数
SAMPLE_GAP      = 0.01
LEARNNING_RATE  = 0.1     #学习率

三、模拟数据产生函数

def generate_data(seq):
    x = []
    y = []
    for i in range(len(seq) - TIMESTEPS):
        x.append([seq[i:i+TIMESTEPS]])
        y.append([seq[i+TIMESTEPS]])

    return np.array(x,dtype = np.float32),  np.array(y,dtype = np.float32)

四、构建基础LSTM单元(单层)函数

def LstmCell():
    lstm_cell = rnn.BasicLSTMCell(HIDDEN_SIZE,state_is_tuple=True)
    return lstm_cell

五、构建RNN–多层LSTM模型函数
5.1 构建多层LSTM模型

cell  = rnn.MultiRNNCell([LstmCell() for _ in range(NUM_LAYERS)])

5.2 训练rnn，output为输出的结果，_ 返回的是最终的状态

output,_ = tf.nn.dynamic_rnn(cell,x,dtype=tf.float32)

5.3将output 重塑成 n×HIDDEN_SIZE 的矩阵，即每行属于同一层

output   = tf.reshape(output,[-1, HIDDEN_SIZE])

5.4 创建一个全连接层，1 表示输出的维度为1，即做的是 n×HIDDEN_SIZE 的矩阵和 HIDDEN_SIZE×1的矩阵相乘。None指的是不使用激活函数。

predictions = tf.contrib.layers.fully_connected(output, 1, None)

5.5取出最后一个数即最终的输出结果

labels      = tf.reshape(y, [-1])  #期望值
predictions = tf.reshape(predictions, [-1]) #预测值

5.6 得到均方损失

loss = tf.losses.mean_squared_error(predictions, labels)

5.7 优化函数

	train_op = tf.contrib.layers.optimize_loss(
        loss,
        tf.contrib.framework.get_global_step(),
        optimizer = "Adagrad",
        learning_rate = LEARNNING_RATE)

六、搭建总体框架
6.1 建立多层RNN

regressor = learn.Estimator(model_fn = lstm_model)

这里利用到了learn的Estimator函数传入参数为lstm_model构建RNN–多层LSTM模型的函数
6.2 产生数据

test_start =  TRAIN_EXAMPLES * SAMPLE_GAP
test_end   = (TRAIN_EXAMPLES + TEST_EXAMPLES)* SAMPLE_GAP
#产生仿真数据x  y 用于训练
train_x,train_y = generate_data(np.sin(np.linspace(0,        test_start,
				  TRAIN_EXAMPLES,dtype = np.float32)))
#产生仿真数据x  y 用于测试
test_x,test_y   = generate_data(np.sin(np.linspace(test_start,test_end, 
				  TEST_EXAMPLES, dtype = np.float32)))

6.3 调用fit函数训练模型

regressor.fit(train_x,train_y,batch_size = BATCH_SIZE,steps = TRAIN_STEP)

6.4 利用训练好的模型进行预测计算均方差

predicted = [[pred] for pred in regressor.predict(test_x)]
rmse      = np.sqrt((predicted-test_y)**2).mean(axis=0)

6.5 绘图

fig = plt.figure()
plot_predicted  = plt.plot(predicted,label = "predicted",color='red')
plot_test       = plt.plot(test_y,label = "real_sin",color='blue')
plt.legend      = ([plot_predicted,plot_test],['predicted','real_sin'])
plt.show()

七、结果

这里写图片描述
看细节