DL之LSTM:基于tensorflow框架利用LSTM算法对气温数据集训练并回归预测

简介: DL之LSTM:基于tensorflow框架利用LSTM算法对气温数据集训练并回归预测


目录

输出结果

核心代码


 

 

 

输出结果

数据集

 

tensorboard可视化

 

1. iter: 0 loss: 0.010328549
2. iter: 500 loss: 0.0044991444
3. iter: 1000 loss: 0.003714567
4. iter: 1500 loss: 0.0033356838
5. iter: 2000 loss: 0.003116763
6. iter: 2500 loss: 0.0029606873
7. iter: 3000 loss: 0.0028696475
8. iter: 3500 loss: 0.0026985144
9. iter: 4000 loss: 0.0025833827
10. iter: 4500 loss: 0.0024938423
11. iter: 5000 loss: 0.0024183288
12. iter: 5500 loss: 0.0023511213
13. iter: 6000 loss: 0.0022882319
14. iter: 6500 loss: 0.0022265154
15. iter: 7000 loss: 0.002163515
16. iter: 7500 loss: 0.0020974649
17. iter: 8000 loss: 0.0020275544
18. iter: 8500 loss: 0.0019528335
19. iter: 9000 loss: 0.0018700107
20. iter: 9500 loss: 0.0017752206
21. iter: 10000 loss: 0.0016714178
22. iter: 10500 loss: 0.0015757289
23. iter: 11000 loss: 0.0015021019
24. iter: 11500 loss: 0.0014435991
25. iter: 12000 loss: 0.0013950231
26. iter: 12500 loss: 0.0013551206
27. iter: 13000 loss: 0.0013215576
28. iter: 13500 loss: 0.0012917771
29. iter: 14000 loss: 0.0012640483
30. iter: 14500 loss: 0.0012376485
31. iter: 15000 loss: 0.0012124979
32. iter: 15500 loss: 0.0011886061
33. iter: 16000 loss: 0.0011660281
34. iter: 16500 loss: 0.0011447266
35. iter: 17000 loss: 0.0011244208
36. iter: 17500 loss: 0.001104528
37. iter: 18000 loss: 0.0010844271
38. iter: 18500 loss: 0.0010633252
39. iter: 19000 loss: 0.0010399523
40. iter: 19500 loss: 0.001011961
41. iter: 20000 loss: 0.00097585854
42. iter: 20500 loss: 0.00093142985
43. iter: 21000 loss: 0.00089110696
44. iter: 21500 loss: 0.00086476567
45. iter: 22000 loss: 0.00084816053
46. iter: 22500 loss: 0.0008364689
47. iter: 23000 loss: 0.00082719745
48. iter: 23500 loss: 0.000819149
49. iter: 24000 loss: 0.00081174297
50. iter: 24500 loss: 0.00080478605
51. iter: 25000 loss: 0.0007982892
52. iter: 25500 loss: 0.00079225213
53. iter: 26000 loss: 0.0007866463
54. iter: 26500 loss: 0.0007813923
55. iter: 27000 loss: 0.00077644055
56. iter: 27500 loss: 0.00077167765
57. iter: 28000 loss: 0.00076701824
58. iter: 28500 loss: 0.0007624052
59. iter: 29000 loss: 0.00075781584
60. iter: 29500 loss: 0.00075323426
61. iter: 30000 loss: 0.0007487352
62. iter: 30500 loss: 0.00074437447
63. iter: 31000 loss: 0.000740188
64. iter: 31500 loss: 0.00073620223
65. iter: 32000 loss: 0.0007323837
66. iter: 32500 loss: 0.00072883896
67. iter: 33000 loss: 0.0007253971
68. iter: 33500 loss: 0.0007672859
69. iter: 34000 loss: 0.00074850733
70. iter: 34500 loss: 0.0007547441
71. iter: 35000 loss: 0.00075676554
72. iter: 35500 loss: 0.00075801736
73. iter: 36000 loss: 0.00075870997
74. iter: 36500 loss: 0.0007588421
75. iter: 37000 loss: 0.0007584684
76. iter: 37500 loss: 0.00075732305
77. iter: 38000 loss: 0.0007555771
78. iter: 38500 loss: 0.00075331994
79. iter: 39000 loss: 0.0007502647
80. iter: 39500 loss: 0.00074706867

 

 

核心代码

DL之LSTM:基于tensorflow框架利用LSTM算法对气温数据集训练并预测

1. def LSTM(X):  
2.     batch_size=tf.shape(X)[0]
3.     time_step=tf.shape(X)[1]
4.     w_in=weights['in']
5.     b_in=biases['in']  
6. input=tf.reshape(X,[-1,input_size])  
7. 
8.     input_rnn=tf.matmul(input,w_in)+b_in
9.     input_rnn=tf.reshape(input_rnn,[-1,time_step,rnn_unit])  
10. 
11.     cell=tf.contrib.rnn.BasicLSTMCell(rnn_unit)
12. #cell=tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(rnn_unit)
13.     init_state=cell.zero_state(batch_size,dtype=tf.float32)
14.     output_rnn,final_states=tf.nn.dynamic_rnn(cell, input_rnn,initial_state=init_state, dtype=tf.float32)  
15. 
16.     output=tf.reshape(output_rnn,[-1,rnn_unit]) 
17.     w_out=weights['out']
18.     b_out=biases['out']
19.     pred=tf.matmul(output,w_out)+b_out
20. return pred,final_states

 


相关文章
|
17天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GRU网络的MQAM调制信号检测算法matlab仿真,对比LSTM
本研究基于MATLAB 2022a,使用GRU网络对QAM调制信号进行检测。QAM是一种高效调制技术,广泛应用于现代通信系统。传统方法在复杂环境下性能下降,而GRU通过门控机制有效提取时间序列特征,实现16QAM、32QAM、64QAM、128QAM的准确检测。仿真结果显示,GRU在低SNR下表现优异,且训练速度快,参数少。核心程序包括模型预测、误检率和漏检率计算,并绘制准确率图。
84 65
基于GRU网络的MQAM调制信号检测算法matlab仿真,对比LSTM
|
8天前
|
机器学习/深度学习 数据采集 算法
基于PSO粒子群优化的CNN-LSTM-SAM网络时间序列回归预测算法matlab仿真
本项目展示了基于PSO优化的CNN-LSTM-SAM网络时间序列预测算法。使用Matlab2022a开发,完整代码含中文注释及操作视频。算法结合卷积层提取局部特征、LSTM处理长期依赖、自注意力机制捕捉全局特征,通过粒子群优化提升预测精度。适用于金融市场、气象预报等领域,提供高效准确的预测结果。
|
14天前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-LSTM-SAM网络时间序列回归预测算法matlab仿真
本项目使用MATLAB 2022a实现时间序列预测算法,完整程序无水印。核心代码包含详细中文注释和操作视频。算法基于CNN-LSTM-SAM网络,融合卷积层、LSTM层与自注意力机制,适用于金融市场、气象预报等领域。通过数据归一化、种群初始化、适应度计算及参数优化等步骤,有效处理非线性时间序列,输出精准预测结果。
|
5月前
|
数据采集 TensorFlow 算法框架/工具
【大作业-03】手把手教你用tensorflow2.3训练自己的分类数据集
本教程详细介绍了如何使用TensorFlow 2.3训练自定义图像分类数据集,涵盖数据集收集、整理、划分及模型训练与测试全过程。提供完整代码示例及图形界面应用开发指导,适合初学者快速上手。[教程链接](https://www.bilibili.com/video/BV1rX4y1A7N8/),配套视频更易理解。
115 0
【大作业-03】手把手教你用tensorflow2.3训练自己的分类数据集
|
7月前
|
机器学习/深度学习 数据采集 算法
【优秀python算法毕设】基于python时间序列模型分析气温变化趋势的设计与实现
本文介绍了一个基于Python的时间序列模型,用于分析和预测2021-2022年重庆地区的气温变化趋势,通过ARIMA和LSTM模型的应用,揭示了气温的季节性和趋势性变化,并提供了对未来气温变化的预测,有助于气象预报和相关决策制定。
248 1
【优秀python算法毕设】基于python时间序列模型分析气温变化趋势的设计与实现
|
7月前
|
机器学习/深度学习 数据采集 数据可视化
【优秀python系统毕设】基于Python flask的气象数据可视化系统设计与实现,有LSTM算法预测气温
本文介绍了一个基于Python Flask框架开发的气象数据可视化系统,该系统集成了数据获取、处理、存储、LSTM算法气温预测以及多种数据可视化功能,旨在提高气象数据的利用价值并推动气象领域的发展。
512 1
|
7月前
|
机器学习/深度学习 TensorFlow 算法框架/工具
【Tensorflow+Keras】keras实现条件生成对抗网络DCGAN--以Minis和fashion_mnist数据集为例
如何使用TensorFlow和Keras实现条件生成对抗网络(CGAN)并以MNIST和Fashion MNIST数据集为例进行演示。
94 3
|
7月前
|
UED 存储 数据管理
深度解析 Uno Platform 离线状态处理技巧:从网络检测到本地存储同步,全方位提升跨平台应用在无网环境下的用户体验与数据管理策略
【8月更文挑战第31天】处理离线状态下的用户体验是现代应用开发的关键。本文通过在线笔记应用案例,介绍如何使用 Uno Platform 优雅地应对离线状态。首先,利用 `NetworkInformation` 类检测网络状态;其次,使用 SQLite 实现离线存储;然后,在网络恢复时同步数据;最后,通过 UI 反馈提升用户体验。
164 0
|
7月前
|
机器学习/深度学习 TensorFlow 数据处理
分布式训练在TensorFlow中的全面应用指南:掌握多机多卡配置与实践技巧,让大规模数据集训练变得轻而易举,大幅提升模型训练效率与性能
【8月更文挑战第31天】本文详细介绍了如何在Tensorflow中实现多机多卡的分布式训练,涵盖环境配置、模型定义、数据处理及训练执行等关键环节。通过具体示例代码,展示了使用`MultiWorkerMirroredStrategy`进行分布式训练的过程,帮助读者更好地应对大规模数据集与复杂模型带来的挑战,提升训练效率。
181 0
|
9月前
|
机器学习/深度学习 存储 人工智能
算法金 | LSTM 原作者带队,一个强大的算法模型杀回来了
**摘要:** 本文介绍了LSTM(长短期记忆网络)的发展背景和重要性,以及其创始人Sepp Hochreiter新推出的xLSTM。LSTM是为解决传统RNN长期依赖问题而设计的,广泛应用于NLP和时间序列预测。文章详细阐述了LSTM的基本概念、核心原理、实现方法和实际应用案例,包括文本生成和时间序列预测。此外,还讨论了LSTM与Transformer的竞争格局。最后,鼓励读者深入学习和探索AI领域。
123 7
算法金 | LSTM 原作者带队,一个强大的算法模型杀回来了

热门文章

最新文章