TF之LSTM:利用基于顺序的LSTM回归算法对DIY数据集sin曲线(蓝虚)预测cos(红实)(TensorBoard可视化)-阿里云开发者社区

开发者社区> 一个处女座的程序猿> 正文

TF之LSTM:利用基于顺序的LSTM回归算法对DIY数据集sin曲线(蓝虚)预测cos(红实)(TensorBoard可视化)

简介: TF之LSTM:利用基于顺序的LSTM回归算法对DIY数据集sin曲线(蓝虚)预测cos(红实)(TensorBoard可视化)
+关注继续查看

输出结果

image.png

代码设计

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

BATCH_START = 0    

TIME_STEPS = 20    

BATCH_SIZE = 50    

INPUT_SIZE = 1    

OUTPUT_SIZE = 1    

CELL_SIZE = 10    

LR = 0.006        

BATCH_START_TEST = 0

def get_batch():  

   global BATCH_START, TIME_STEPS

   xs = np.arange(BATCH_START, BATCH_START+TIME_STEPS*BATCH_SIZE).reshape((BATCH_SIZE, TIME_STEPS)) / (10*np.pi)

   seq = np.sin(xs)

   res = np.cos(xs)

   BATCH_START += TIME_STEPS

   return [seq[:, :, np.newaxis], res[:, :, np.newaxis], xs]

class LSTMRNN(object):  

   def __init__(self, n_steps, input_size, output_size, cell_size, batch_size):

       self.n_steps = n_steps

       self.input_size = input_size

       self.output_size = output_size

       self.cell_size = cell_size

       self.batch_size = batch_size

       with tf.name_scope('inputs'):

           self.xs = tf.placeholder(tf.float32, [None, n_steps, input_size], name='xs')

           self.ys = tf.placeholder(tf.float32, [None, n_steps, output_size], name='ys')

       with tf.variable_scope('in_hidden'):

           self.add_input_layer()

       with tf.variable_scope('LSTM_cell'):

           self.add_cell()

       with tf.variable_scope('out_hidden'):

           self.add_output_layer()

       with tf.name_scope('cost'):

           self.compute_cost()          

       with tf.name_scope('train'):

           self.train_op = tf.train.AdamOptimizer(LR).minimize(self.cost)

           

   def add_input_layer(self,):

       l_in_x = tf.reshape(self.xs, [-1, self.input_size], name='2_2D')

       Ws_in = self._weight_variable([self.input_size, self.cell_size])

 

       bs_in = self._bias_variable([self.cell_size,])

       with tf.name_scope('Wx_plus_b'):

           l_in_y = tf.matmul(l_in_x, Ws_in) + bs_in

       self.l_in_y = tf.reshape(l_in_y, [-1, self.n_steps, self.cell_size], name='2_3D')

       

   def add_cell(self):        

       lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)

       with tf.name_scope('initial_state'):  

       self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=tf.float32)

       self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(  

           lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)

           

   def add_output_layer(self):

       l_out_x = tf.reshape(self.cell_outputs, [-1, self.cell_size], name='2_2D')

       Ws_out = self._weight_variable([self.cell_size, self.output_size])

       bs_out = self._bias_variable([self.output_size, ])

       # shape = (batch * steps, output_size)

       with tf.name_scope('Wx_plus_b'):

           self.pred = tf.matmul(l_out_x, Ws_out) + bs_out

   def compute_cost(self):  

       losses = tf.contrib.legacy_seq2seq.sequence_loss_by_example(

           [tf.reshape(self.pred, [-1], name='reshape_pred')],

           [tf.reshape(self.ys, [-1], name='reshape_target')],

           [tf.ones([self.batch_size * self.n_steps], dtype=tf.float32)],

           average_across_timesteps=True,

           softmax_loss_function=self.ms_error,

           name='losses'

       )

       with tf.name_scope('average_cost'):

           self.cost = tf.div(

               tf.reduce_sum(losses, name='losses_sum'),

               self.batch_size,

               name='average_cost')

           tf.summary.scalar('cost', self.cost)

   def ms_error(self, y_target, y_pre):  

       return tf.square(tf.sub( y_target, y_pre))

   def _weight_variable(self, shape, name='weights'):

       initializer = tf.random_normal_initializer(mean=0., stddev=1.,)

       return tf.get_variable(shape=shape, initializer=initializer, name=name)

   def _bias_variable(self, shape, name='biases'):

       initializer = tf.constant_initializer(0.1)

       return tf.get_variable(name=name, shape=shape, initializer=initializer)

   

if __name__ == '__main__':  

   model = LSTMRNN(TIME_STEPS, INPUT_SIZE, OUTPUT_SIZE, CELL_SIZE, BATCH_SIZE)

   sess = tf.Session()

   merged=tf.summary.merge_all()

   writer=tf.summary.FileWriter("niu0127/logs0127",sess.graph)

   sess.run(tf.global_variables_initializer())


版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
Spring Security笔记:使用数据库进行用户认证(form login using database)
在前一节,学习了如何自定义登录页,但是用户名、密码仍然是配置在xml中的,这样显然太非主流,本节将学习如何把用户名/密码/角色存储在db中,通过db来实现用户认证 一、项目结构 与前面的示例相比,因为要连接db,所以多出了一个spring-database.
849 0
DL之RNN:人工智能为你写小说——基于TF利用RNN算法训练数据集(William Shakespeare的《Coriolanus》)替代你写英语小说短文、训练&测试过程全记录
DL之RNN:人工智能为你写小说——基于TF利用RNN算法训练数据集(William Shakespeare的《Coriolanus》)替代你写英语小说短文、训练&测试过程全记录
14 0
独家 | ARIMA/Sarima与LSTM的时间序列数据集成学习(附链接)
本文探讨了简单的ARIMA/Sarima与LSTM的时间序列数据集成学习方面的问题。
1537 0
Spring Security笔记:使用BCrypt算法加密存储登录密码
在前一节使用数据库进行用户认证(form login using database)里,我们学习了如何把“登录帐号、密码”存储在db中,但是密码都是明文存储的,显然不太讲究。这一节将学习如何使用spring security3新加入的bcrypt算法,将登录加密存储到db中,并正常通过验证。
1553 0
算法导论第九章 第K顺序统计量
1.第K顺序统计量概念   在一个由n个元素组成的集合中,第k个顺序统计量是该集合中第k小的元素。例如,最小值是第1顺序统计量,最大值是第n顺序统计量。 2.求Top K元素与求第K顺序统计量不同   Top K元素:是指求数组中的最大(或者最小的)K个元素,一般K比较小,采用最大(或者最小)堆实现。
859 0
7位大咖齐聚CCF ADL计算经济学课程,探索算法博弈论,区块链、人工智能与经济学的交叉
邀请了七位来自清华、上海财经大学、上海交通大学、香港大学的计算经济学领域专家以及蚂蚁金服、万向集团的负责人,从计算机经济学(算法博弈论)的基本原理、到拍卖、采购机制设计、区块链及分布式商业,并结合理论在实际中的应用场景进行了详尽的分享和解读。
2174 0
数据智能,触手可及!袋鼠云数栈推出 数据科学平台 DTinsight.Science
一句话了解DTinsight.Science DTinsight.Science是「可视化建模与交互式代码编写于一体的机器学习作业探索平台」,实现数据接入、可视化实验建模、Notebook编程、模型训练、模型部署、任务运维等开发场景,帮助企业构建算法服务能力,提供高效、安全、稳定的算法运行环境。
2411 0
+关注
一个处女座的程序猿
国内互联网圈知名博主、人工智能领域优秀创作者,全球最大中文IT社区博客专家、CSDN开发者联盟生态成员、中国开源社区专家、华为云社区专家、51CTO社区专家、Python社区专家等,曾受邀采访和评审十多次。仅在国内的CSDN平台,博客文章浏览量超过2500万,拥有超过57万的粉丝。
1701
文章
0
问答
文章排行榜
最热
最新
相关电子书
更多
文娱运维技术
立即下载
《SaaS模式云原生数据仓库应用场景实践》
立即下载
《看见新力量:二》电子书
立即下载