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)(matplotlib动态演示)-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)(matplotlib动态演示)

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)(matplotlib动态演示)
+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 shape (50batch, 20steps)

   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, ])

       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.initialize_all_variables())

   

plt.ion()  

plt.show()

   

for i in range(200):

     seq, res, xs = get_batch()

     if i == 0:

         feed_dict = {

                 model.xs: seq,

                 model.ys: res,

         }

     else:

         feed_dict = {

             model.xs: seq,

             model.ys: res,

             model.cell_init_state: state  

         }

     _, cost, state, pred = sess.run(

         [model.train_op, model.cost, model.cell_final_state, model.pred],

         feed_dict=feed_dict)

     plt.plot(xs[0,:],res[0].flatten(),'r',xs[0,:],pred.flatten()[:TIME_STEPS],'g--')

     plt.title('Matplotlib,RNN,Efficient learning,Approach,Cosx --Jason Niu')

     plt.ylim((-1.2,1.2))

     plt.draw()

     plt.pause(0.1)  


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
ML之catboost:catboost模型中常用的Pool类型数据结构源代码解读、案例应用之详细攻略(一)
ML之catboost:catboost模型中常用的Pool类型数据结构源代码解读、案例应用之详细攻略
16 0
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
Qt编写数据可视化大屏界面电子看板10-改造QCustomPlot
一、前言 为了抛弃对QChart的依赖,以及echart的依赖,(当然,后期也会做qchart的版本和echart的版本,尤其是echart的版本是肯定会做的,毕竟echart的效果牛逼的一塌糊涂,全宇宙最牛逼吧。
1167 0
ML之CatboostC:基于titanic泰坦尼克数据集利用catboost算法实现二分类
ML之CatboostC:基于titanic泰坦尼克数据集利用catboost算法实现二分类
15 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
【Python数据挖掘课程】六.Numpy、Pandas和Matplotlib包基础知识
前面几篇文章采用的案例的方法进行介绍的,这篇文章主要介绍Python常用的扩展包,同时结合数据挖掘相关知识介绍该包具体的用法,主要介绍Numpy、Pandas和Matplotlib三个包。目录: 一.Python常用扩展包 二.Numpy科学计算包
6609 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
+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