一、網(wǎng)上的資源

網(wǎng)上有不少用LSTM來(lái)預(yù)測(cè)時(shí)間序列的資源，如下面：

深度學(xué)習(xí)（08）_RNN-LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)-03-Tensorflow進(jìn)階實(shí)現(xiàn)

http://blog.csdn.net/u013082989/article/details/73693392

Applying Deep Learning to Time Series Forecasting with TensorFlow

https://mapr.com/blog/deep-learning-tensorflow/

Tensorflow 筆記 RNN 預(yù)測(cè)時(shí)間序列

https://www.v2ex.com/t/339544

tf19: 預(yù)測(cè)鐵路客運(yùn)量

http://blog.csdn.net/u014365862/article/details/53869802

但是調(diào)試起來(lái)，都很困難！借鑒比較多的是tf19:預(yù)測(cè)鐵路客運(yùn)量這篇博文。這篇博文首先是基本上可以運(yùn)行的。但是訓(xùn)練模型和測(cè)試模型分開(kāi)，需要通過(guò)文件來(lái)傳遞模型參數(shù)。而且訓(xùn)練和測(cè)試不能同時(shí)運(yùn)行。因此調(diào)試起來(lái)也費(fèi)了不少功夫！

二、LSTM時(shí)間序列預(yù)測(cè)

1. 用namedtuple來(lái)配置模型的超參數(shù)。

HParams = namedtuple('HParams',?'seq_size, hidden_size, learning_rate')

這種方式比定義一個(gè)Config類(lèi)好。

2. 構(gòu)建時(shí)間序列預(yù)測(cè)模型類(lèi)TS_LSTM

class TS_LSTM(object):def __init__(self, hps):self._X = X = tf.placeholder(tf.float32, [None, hps.seq_size, 1]) ?self._Y = Y = tf.placeholder(tf.float32, [None, hps.seq_size]) ? ? ?W = tf.Variable(tf.random_normal([hps.hidden_size, 1]), name='W') ?b = tf.Variable(tf.random_normal([1]), name='b') ?lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(hps.hidden_size) ?#測(cè)試cost 1.3809outputs, states = tf.nn.dynamic_rnn(lstm_cell, X, dtype=tf.float32) ?W_repeated = tf.tile(tf.expand_dims(W, 0), [tf.shape(X)[0], 1, 1]) ?output = tf.nn.xw_plus_b(outputs, W_repeated, b) ?self._output = output = tf.squeeze(output) ?self._cost = cost = tf.reduce_mean(tf.square(output - Y)) ?self._train_op = tf.train.AdamOptimizer(hps.learning_rate).minimize(cost) ?@propertydef X(self):return self._X@propertydef Y(self):return self._Y ??@propertydef cost(self):return self._cost@propertydef output(self):return self._output@propertydef train_op(self):return self._train_op

這種方式比用函數(shù)定義模型更加方便。@property的設(shè)計(jì)使得模型用起來(lái)更加方便！?
模型的關(guān)鍵就是：?
1）. 設(shè)定BasicLSTMCell的隱藏節(jié)點(diǎn)個(gè)數(shù)?
2）. 調(diào)用dynamic_rnn(lstm_cell,X)來(lái)計(jì)算輸出outputs?
3）. 調(diào)用xw_plus_b將outputs計(jì)算為單個(gè)的output?
模型中各變量的維度如下：（batch_size=100, seq_size=3, hidden_size=6）?
- X定義為[None, hps.seq_size, 1]是因?yàn)閐ynamic_rnn的輸入針對(duì)的是二維圖像樣本的輸入，因此，必須多定義一個(gè)1的維度，傳入的實(shí)際應(yīng)該為100*3*1。?
- Y的維度維持與圖像標(biāo)簽輸入數(shù)據(jù)維度相同，傳入的實(shí)際應(yīng)該為100*3。?
- W為6*1?
- b為1*1?
- outputs為100*3*6?
- W_repeated為100*6*1，其變化過(guò)程6*11*6*1100*6*1。?
- output在squeeze之前為100*3*1，squeeze后為100*3?
- cost為1*1

3. 訓(xùn)練和測(cè)試函數(shù)train_test

def train_test(hps, data):#訓(xùn)練數(shù)據(jù)準(zhǔn)備train_data_len = len(data)*2//3train_x, train_y = [], [] ?for i in range(train_data_len - hps.seq_size - 1): ?train_x.append(np.expand_dims(data[i : i + hps.seq_size], axis=1).tolist()) ?train_y.append(data[i + 1 : i + hps.seq_size + 1].tolist()) ?#測(cè)試數(shù)據(jù)準(zhǔn)備 ? ?test_data_len = len(data)//3test_x, test_y = [], [] ?for i in range(train_data_len,train_data_len+test_data_len - hps.seq_size - 1): ?test_x.append(np.expand_dims(data[i : i + hps.seq_size], axis=1).tolist()) ?test_y.append(data[i + 1 : i + hps.seq_size + 1].tolist()) ?with tf.Graph().as_default(), tf.Session() as sess: ?with tf.variable_scope('model',reuse=None):m_train = TS_LSTM(hps) ? ? ? ??#訓(xùn)練tf.global_variables_initializer().run()for step in range(20000): ?_, train_cost = sess.run([m_train.train_op, m_train.cost],?feed_dict={m_train.X: train_x, m_train.Y: train_y}) ?#預(yù)測(cè)?test_cost, output = sess.run([m_train.cost, m_train.output],feed_dict={m_train.X: test_x, m_train.Y: test_y}) ?#print(hps, train_cost, test_cost)return train_cost, test_cost

這里的關(guān)鍵是測(cè)試用是訓(xùn)練模型，我也不知道為什么好多網(wǎng)絡(luò)資源都將訓(xùn)練模型和測(cè)試模型分離開(kāi)來(lái)。測(cè)試不就是用測(cè)試數(shù)據(jù)來(lái)測(cè)試訓(xùn)練模型的效果嗎？因此這里把2/3的數(shù)據(jù)劃給訓(xùn)練，1/3的數(shù)據(jù)用于測(cè)試。自己動(dòng)手編代碼時(shí)一定要對(duì)session.run函數(shù)用法和原理熟悉。

4. 主函數(shù)（對(duì)超參數(shù)組合的測(cè)試誤差進(jìn)行比較）

def main():#讀取原始數(shù)據(jù)f=open('鐵路客運(yùn)量.csv') ?df=pd.read_csv(f) ??data = np.array(df['鐵路客運(yùn)量_當(dāng)期值(萬(wàn)人)']) ?normalized_data = (data - np.mean(data)) / np.std(data) ? ??#測(cè)試不同組合的超參數(shù)對(duì)測(cè)試誤差的影響costs =[]for seq_size in [4,6,12,16,24]:for hidden_size in [6,10,20,30]:print(seq_size, hidden_size)hps = HParams(seq_size, hidden_size, 0.003)train_cost, test_cost = train_test(hps, normalized_data)?costs.append([train_cost,test_cost])

進(jìn)行了初步比較，感覺(jué)有兩個(gè)：?
1）同一個(gè)超參數(shù)，測(cè)試誤差相差挺大。?
2）不同超參數(shù)，訓(xùn)練時(shí)誤差基本都很小，但是測(cè)試誤差相差很大，如何限制學(xué)習(xí)過(guò)程中的過(guò)擬合是一個(gè)很大的問(wèn)題。?
可以看看我運(yùn)行的訓(xùn)練誤差和測(cè)試誤差的比較。代碼已放到csdn下載資源，csdn下載代碼來(lái)！

? ? ?訓(xùn)練誤差 ? ? ? ? ? ?測(cè)試誤差 [[ ?4.04044241e-02 ? 4.97651482e+00][ ?3.57200466e-02 ? 6.96304381e-01][ ?2.97380015e-02 ? 1.77482967e+01][ ?3.09452992e-02 ? 2.62166214e+00][ ?3.62494551e-02 ? 2.53422332e+00][ ?2.57663596e-02 ? 1.44900203e+00][ ?2.24006996e-02 ? 2.28607416e+00][ ?2.28729844e-02 ? 1.12727535e+00][ ?2.58173030e-02 ? 1.43265343e+00][ ?1.48035632e-02 ? 1.05281734e+00][ ?1.24982912e-02 ? 6.59598827e+00][ ?1.27354050e-02 ? 1.69984627e+00][ ?1.60749555e-02 ? 4.03962803e+00][ ?1.18473349e-02 ? 7.92685986e-01][ ?7.39684049e-03 ? 6.16959620e+00][ ?7.60479691e-03 ? 3.01771784e+00][ ?1.40351299e-02 ? 4.48093843e+00][ ?7.94599950e-03 ? 3.78614712e+00][ ?5.50406286e-03 ? 5.83478451e-01][ ?4.54067113e-03 ? 8.15259743e+00]]

?

總結(jié)

以上是生活随笔為你收集整理的Tensorflow LSTM时间序列预测的尝试的全部?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。