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

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

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