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

输出结果

image.png

image.png


tensorboard可视化



image.png

iter: 0 loss: 0.010328549

iter: 500 loss: 0.0044991444

iter: 1000 loss: 0.003714567

iter: 1500 loss: 0.0033356838

iter: 2000 loss: 0.003116763

iter: 2500 loss: 0.0029606873

iter: 3000 loss: 0.0028696475

iter: 3500 loss: 0.0026985144

iter: 4000 loss: 0.0025833827

iter: 4500 loss: 0.0024938423

iter: 5000 loss: 0.0024183288

iter: 5500 loss: 0.0023511213

iter: 6000 loss: 0.0022882319

iter: 6500 loss: 0.0022265154

iter: 7000 loss: 0.002163515

iter: 7500 loss: 0.0020974649

iter: 8000 loss: 0.0020275544

iter: 8500 loss: 0.0019528335

iter: 9000 loss: 0.0018700107

iter: 9500 loss: 0.0017752206

iter: 10000 loss: 0.0016714178

iter: 10500 loss: 0.0015757289

iter: 11000 loss: 0.0015021019

iter: 11500 loss: 0.0014435991

iter: 12000 loss: 0.0013950231

iter: 12500 loss: 0.0013551206

iter: 13000 loss: 0.0013215576

iter: 13500 loss: 0.0012917771

iter: 14000 loss: 0.0012640483

iter: 14500 loss: 0.0012376485

iter: 15000 loss: 0.0012124979

iter: 15500 loss: 0.0011886061

iter: 16000 loss: 0.0011660281

iter: 16500 loss: 0.0011447266

iter: 17000 loss: 0.0011244208

iter: 17500 loss: 0.001104528

iter: 18000 loss: 0.0010844271

iter: 18500 loss: 0.0010633252

iter: 19000 loss: 0.0010399523

iter: 19500 loss: 0.001011961

iter: 20000 loss: 0.00097585854

iter: 20500 loss: 0.00093142985

iter: 21000 loss: 0.00089110696

iter: 21500 loss: 0.00086476567

iter: 22000 loss: 0.00084816053

iter: 22500 loss: 0.0008364689

iter: 23000 loss: 0.00082719745

iter: 23500 loss: 0.000819149

iter: 24000 loss: 0.00081174297

iter: 24500 loss: 0.00080478605

iter: 25000 loss: 0.0007982892

iter: 25500 loss: 0.00079225213

iter: 26000 loss: 0.0007866463

iter: 26500 loss: 0.0007813923

iter: 27000 loss: 0.00077644055

iter: 27500 loss: 0.00077167765

iter: 28000 loss: 0.00076701824

iter: 28500 loss: 0.0007624052

iter: 29000 loss: 0.00075781584

iter: 29500 loss: 0.00075323426

iter: 30000 loss: 0.0007487352

iter: 30500 loss: 0.00074437447

iter: 31000 loss: 0.000740188

iter: 31500 loss: 0.00073620223

iter: 32000 loss: 0.0007323837

iter: 32500 loss: 0.00072883896

iter: 33000 loss: 0.0007253971

iter: 33500 loss: 0.0007672859

iter: 34000 loss: 0.00074850733

iter: 34500 loss: 0.0007547441

iter: 35000 loss: 0.00075676554

iter: 35500 loss: 0.00075801736

iter: 36000 loss: 0.00075870997

iter: 36500 loss: 0.0007588421

iter: 37000 loss: 0.0007584684

iter: 37500 loss: 0.00075732305

iter: 38000 loss: 0.0007555771

iter: 38500 loss: 0.00075331994

iter: 39000 loss: 0.0007502647

iter: 39500 loss: 0.00074706867



核心代码

def LSTM(X):  

   batch_size=tf.shape(X)[0]

   time_step=tf.shape(X)[1]

   w_in=weights['in']

   b_in=biases['in']  

   input=tf.reshape(X,[-1,input_size])  

   input_rnn=tf.matmul(input,w_in)+b_in

   input_rnn=tf.reshape(input_rnn,[-1,time_step,rnn_unit])  

   cell=tf.contrib.rnn.BasicLSTMCell(rnn_unit)

   #cell=tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(rnn_unit)

   init_state=cell.zero_state(batch_size,dtype=tf.float32)

   output_rnn,final_states=tf.nn.dynamic_rnn(cell, input_rnn,initial_state=init_state, dtype=tf.float32)  

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

   w_out=weights['out']

   b_out=biases['out']

   pred=tf.matmul(output,w_out)+b_out

   return pred,final_states


相关文章
|
28天前
|
机器学习/深度学习 算法 PyTorch
【Pytorch框架搭建神经网络】基于DQN算法、优先级采样的DQN算法、DQN + 人工势场的避障控制研究(Python代码实现)
【Pytorch框架搭建神经网络】基于DQN算法、优先级采样的DQN算法、DQN + 人工势场的避障控制研究(Python代码实现)
|
21天前
|
机器学习/深度学习 算法 PyTorch
【DQN实现避障控制】使用Pytorch框架搭建神经网络,基于DQN算法、优先级采样的DQN算法、DQN + 人工势场实现避障控制研究(Matlab、Python实现)
【DQN实现避障控制】使用Pytorch框架搭建神经网络,基于DQN算法、优先级采样的DQN算法、DQN + 人工势场实现避障控制研究(Matlab、Python实现)
|
2月前
|
机器学习/深度学习 人工智能 算法
AI-Compass RLHF人类反馈强化学习技术栈:集成TRL、OpenRLHF、veRL等框架,涵盖PPO、DPO算法实现大模型人类价值对齐
AI-Compass RLHF人类反馈强化学习技术栈:集成TRL、OpenRLHF、veRL等框架,涵盖PPO、DPO算法实现大模型人类价值对齐
 AI-Compass RLHF人类反馈强化学习技术栈:集成TRL、OpenRLHF、veRL等框架,涵盖PPO、DPO算法实现大模型人类价值对齐
|
2月前
|
机器学习/深度学习 人工智能 算法
AI-Compass 强化学习模块:理论到实战完整RL技术生态,涵盖10+主流框架、多智能体算法、游戏AI与金融量化应用
AI-Compass 强化学习模块:理论到实战完整RL技术生态,涵盖10+主流框架、多智能体算法、游戏AI与金融量化应用
|
9月前
|
机器学习/深度学习 人工智能 算法
猫狗宠物识别系统Python+TensorFlow+人工智能+深度学习+卷积网络算法
宠物识别系统使用Python和TensorFlow搭建卷积神经网络,基于37种常见猫狗数据集训练高精度模型,并保存为h5格式。通过Django框架搭建Web平台,用户上传宠物图片即可识别其名称,提供便捷的宠物识别服务。
829 55
|
5月前
|
机器学习/深度学习 人工智能 JSON
这个AI把arXiv变成代码工厂,快速复现顶会算法!Paper2Code:AI论文自动转代码神器,多智能体框架颠覆科研复现
Paper2Code是由韩国科学技术院与DeepAuto.ai联合开发的多智能体框架,通过规划、分析和代码生成三阶段流程,将机器学习论文自动转化为可执行代码仓库,显著提升科研复现效率。
664 19
这个AI把arXiv变成代码工厂,快速复现顶会算法!Paper2Code:AI论文自动转代码神器,多智能体框架颠覆科研复现
|
9月前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
487 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
|
11月前
|
存储 机器学习/深度学习 算法
蓝桥杯练习题(三):Python组之算法训练提高综合五十题
蓝桥杯Python编程练习题的集合,涵盖了从基础到提高的多个算法题目及其解答。
495 3
蓝桥杯练习题(三):Python组之算法训练提高综合五十题
|
10月前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
10月前
|
机器学习/深度学习 人工智能 算法
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
车辆车型识别,使用Python作为主要编程语言,通过收集多种车辆车型图像数据集,然后基于TensorFlow搭建卷积网络算法模型,并对数据集进行训练,最后得到一个识别精度较高的模型文件。再基于Django搭建web网页端操作界面,实现用户上传一张车辆图片识别其类型。
367 0
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型

热门文章

最新文章