利用TensorFlow2.0为胆固醇、血脂、血压数据构建时序深度学习模型(python完整源代码)
背景數(shù)據(jù)描述
膽固醇、高血脂、高血壓是壓在廣大中年男性頭上的三座大山，如何有效的監(jiān)控他們，做到早發(fā)現(xiàn)、早預(yù)防、早治療尤為關(guān)鍵，趁著這個假期我就利用TF2.0構(gòu)建了一套時序預(yù)測模型，一來是可以幫我預(yù)發(fā)疾病，二來也可以體驗下TF2.0的特性。
先來看下數(shù)據(jù)結(jié)構(gòu)：
?
-
date表示的是測量日期
-
cholesterol代表膽固醇數(shù)值
-
blood_fat代表血脂
-
blood_pressure代表血壓
整個的建模思路就是將這三個數(shù)值一起構(gòu)建時序模型，因為這三個指標(biāo)不能獨(dú)立來看，他們是相互有影響的，互為特征和目標(biāo)值。
代碼詳解
廢話不多說，我們先看下完整的代碼，代碼比較長，我把整個代碼分為數(shù)據(jù)探查、網(wǎng)絡(luò)構(gòu)建、模型訓(xùn)練、模型保存和預(yù)測這4個模塊進(jìn)行拆分并講解，可以參見代碼中的注釋進(jìn)行模塊區(qū)分。環(huán)境使用的是python3.7、TensorFlow2.0版本。（完整代碼見文末）
1 數(shù)據(jù)探查
?
在數(shù)據(jù)探查模塊使用了pandas將數(shù)據(jù)讀取進(jìn)來，然后用diff函數(shù)構(gòu)建了時序數(shù)據(jù)的增長率曲線圖，因為做時序數(shù)據(jù)預(yù)測，更多地是去看數(shù)據(jù)的增長或者降低趨勢。通過matplotlib可以把數(shù)據(jù)的成長曲線畫出來：
?
2 網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建
?
使用的是標(biāo)準(zhǔn)的lstm網(wǎng)絡(luò)結(jié)構(gòu)，可以通過model.summary函數(shù)將深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)打印出來，如下圖所示：
?
3 模型訓(xùn)練
?
在模型訓(xùn)練環(huán)節(jié)主要是構(gòu)建了收斂函數(shù)MSPE，MSPE是一種殘差收斂算法，具體計算公式比較簡單：
(y_true - y_pred)**2/(tf.maximum(y_true**2,1e-7))
?
4 模型存儲和預(yù)測
?
第四部分先使用model.save這個TF的官方模型保持函數(shù)將模型保存到本地，建議盡量使用這種官方的模型保持方案。
?
然后load模型對象，用model.predict函數(shù)對下一階段的3個指標(biāo)數(shù)據(jù)做一個預(yù)測。最終的預(yù)測結(jié)果存放在arr_predict對象中，預(yù)測結(jié)果為：
[[0.26552328，0.33151102，0]]
?
以上預(yù)測的是數(shù)據(jù)的增長率，假設(shè)最后一階段的三個指標(biāo)的數(shù)據(jù)分別為4.5、3.2、119，那么最終下一階段的預(yù)測值就是：
[[4.5+0.26552328，3.2+0.33151102，119+0]]
?
完整代碼如下，有興趣的同學(xué)可以跑一跑玩一玩。
import numpy as np
import pandas as pd?
import matplotlib.pyplot as plt
import tensorflow as tf?
from tensorflow.keras import models,layers,losses,metrics,callbacks
import os
import datetime?
?
#1.數(shù)據(jù)探查-------------------------------------
?
df = pd.read_csv("/Users/garvin/Downloads/data.txt",sep = "\t")
print(df)
dfdata = df.set_index("date")
dfdiff = dfdata.diff(periods=1).dropna()
dfdiff = dfdiff.reset_index("date")
?
dfdiff.plot(x = "date",y = ["cholesterol","blood_fat","blood_pressure"],figsize=(10,6))
plt.xticks(rotation=60)
dfdiff = dfdiff.drop("date",axis = 1).astype("float32")
plt.show()
?
WINDOW_SIZE = 1
?
def batch_dataset(dataset):
? ? dataset_batched = dataset.batch(WINDOW_SIZE,drop_remainder=True)
? ? return dataset_batched
?
ds_data = tf.data.Dataset.from_tensor_slices(tf.constant(dfdiff.values,dtype = tf.float32)) \
? ?.window(WINDOW_SIZE,shift=1).flat_map(batch_dataset)
?
ds_label = tf.data.Dataset.from_tensor_slices(
? ? tf.constant(dfdiff.values[WINDOW_SIZE:],dtype = tf.float32))
?
#We put all data into one batch for better efficiency since the data volume is small.
ds_train = tf.data.Dataset.zip((ds_data,ds_label)).batch(38).cache()
?
?
#2.構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)-------------------------------------
?
class Block(layers.Layer):
? ? def __init__(self, **kwargs):
? ? ? ? super(Block, self).__init__(**kwargs)
? ??
? ? def call(self, x_input,x):
? ? ? ? x_out = tf.maximum((1+x)*x_input[:,-1,:],0.0)
? ? ? ? return x_out
? ??
? ? def get_config(self):??
? ? ? ? config = super(Block, self).get_config()
? ? ? ? return config
?
tf.keras.backend.clear_session()
x_input = layers.Input(shape = (None,3),dtype = tf.float32)
x = layers.LSTM(3,return_sequences = True,input_shape=(None,3))(x_input)
x = layers.LSTM(3,return_sequences = True,input_shape=(None,3))(x)
x = layers.LSTM(3,return_sequences = True,input_shape=(None,3))(x)
x = layers.LSTM(3,input_shape=(None,3))(x)
x = layers.Dense(3)(x)
?
?
x = Block()(x_input,x)
model = models.Model(inputs = [x_input],outputs = [x])
model.summary()
?
#Customized loss function, consider the ratio between square error and the prediction
class MSPE(losses.Loss):
? ? def call(self,y_true,y_pred):
? ? ? ? err_percent = (y_true - y_pred)**2/(tf.maximum(y_true**2,1e-7))
? ? ? ? mean_err_percent = tf.reduce_mean(err_percent)
? ? ? ? return mean_err_percent
? ??
? ? def get_config(self):
? ? ? ? config = super(MSPE, self).get_config()
? ? ? ? return config
#3.模型訓(xùn)練-------------------------------------
?
?
optimizer = tf.keras.optimizers.Adam(learning_rate=0.01)
model.compile(optimizer=optimizer,loss=MSPE(name = "MSPE"))
?
stamp = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
logdir = os.path.join('data', 'autograph', stamp)
?
?
tb_callback = tf.keras.callbacks.TensorBoard(logdir, histogram_freq=1)
#Half the learning rate if loss is not improved after 100 epoches
lr_callback = tf.keras.callbacks.ReduceLROnPlateau(monitor="loss",factor = 0.5, patience = 100)
#Stop training when loss is not improved after 200 epoches
stop_callback = tf.keras.callbacks.EarlyStopping(monitor = "loss", patience= 200)
callbacks_list = [tb_callback,lr_callback,stop_callback]
?
history = model.fit(ds_train,epochs=10,callbacks = callbacks_list)
?
#4.模型保存和預(yù)測-------------------------------------
?
?
model.save('tf_model_savedmodel', save_format="tf")
?
print('export saved model.')
?
?
dfresult = dfdiff[["cholesterol","blood_fat","blood_pressure"]].copy()
dfresult.tail()
#print(dfresult.values[-1:,:])
arr_predict = model.predict(tf.constant(tf.expand_dims(dfresult.values[-1:,:],axis = 0)))
print(arr_predict)
《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀總結(jié)
以上是生活随笔為你收集整理的利用TensorFlow2.0为胆固醇、血脂、血压数据构建时序深度学习模型(python完整源代码)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 2020互联网校招薪资列表及谈薪注意事项
- 下一篇： Python/Anaconda-pyth