DL之LSTM：基于tensorflow框架利用LSTM算法對(duì)氣溫?cái)?shù)據(jù)集訓(xùn)練并回歸預(yù)測(cè)

?

?

目錄

輸出結(jié)果

核心代碼

---

?

?

?

輸出結(jié)果

數(shù)據(jù)集

?

tensorboard可視化

?

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

?

?

核心代碼

DL之LSTM：基于tensorflow框架利用LSTM算法對(duì)氣溫?cái)?shù)據(jù)集訓(xùn)練并預(yù)測(cè)

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_ininput_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_outreturn pred,final_states

?

?

?

?

?

?

?

?

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的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的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。