各位同學好，今天和大家分享一下TensorFlow2.0深度學習中的一個小案例。案例內(nèi)容：現(xiàn)有348個氣溫樣本數(shù)據(jù)，每個樣本有8項特征值和1項目標值，進行回歸預測，構建神經(jīng)網(wǎng)絡模型。

數(shù)據(jù)集免費：神經(jīng)網(wǎng)絡回歸預測--氣溫數(shù)據(jù)集-機器學習文檔類資源-CSDN文庫https://download.csdn.net/download/dgvv4/49801464

---

1. 數(shù)據(jù)獲取

導入所需要的庫文件，獲取氣溫數(shù)據(jù)

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf
# 使用keras建模方法
from tensorflow.keras import layers
import warnings
warnings.filterwarnings('ignore')#（1）數(shù)據(jù)獲取
filepath = 'C:\\...\\temps.csv'
features = pd.read_csv(filepath)

temp_2代表前天的最高溫度，temp_1代表昨天的最高溫度，預測目標值為actual

---

2. 數(shù)據(jù)可視化

我們繪制日期-溫度曲線，首先需要將特征year、month、day組合在一起，拼接成一個字符串，再轉(zhuǎn)變成一個datetime類型的數(shù)據(jù)。

# 處理時間數(shù)據(jù)，將年月日組合在一起
import datetime
# 獲取年月日數(shù)據(jù)
years = features['year']
months = features['month']
days = features['day']# 將年月日拼接在一起--字符串類型
dates = []  # 用于存放組合后的日期
for year,month,day in zip(years,months,days):date = str(year)+'-'+str(month)+'-'+str(day)  #年月日之間用'-'向連接dates.append(date)# 轉(zhuǎn)變成datetime格式
times = []
for date in dates:time = datetime.datetime.strptime(date,'%Y-%m-%d')times.append(time)
# 看一下前5行
times[:5]

處理好了x軸的數(shù)據(jù)，我們現(xiàn)在來對幾個特征繪制曲線

# 可視化，對各個特征繪圖
# 指定繪圖風格
plt.style.use('fivethirtyeight')
# 設置畫布，2行2列的畫圖窗口，第一行畫ax1和ax2，第二行畫ax3和ax4
fig,((ax1,ax2),(ax3,ax4)) = plt.subplots(2,2,figsize=(20,10))# ==1== actual特征列
ax1.plot(times,features['actual'])
# 設置x軸y軸標簽和title標題
ax1.set_xlabel('');ax1.set_ylabel('Temperature');ax1.set_title('actual temp')
# ==2== 前一天的溫度
ax2.plot(times,features['temp_1'])
# 設置x軸y軸標簽和title標題
ax2.set_xlabel('');ax2.set_ylabel('Temperature');ax2.set_title('temp_1')
# ==3== 前2天的溫度
ax3.plot(times,features['temp_2'])
# 設置x軸y軸標簽和title標題
ax3.set_xlabel('Date');ax3.set_ylabel('Temperature');ax3.set_title('temp_2')
# ==4== friend
ax4.plot(times,features['friend'])
# 設置x軸y軸標簽和title標題
ax4.set_xlabel('Date');ax4.set_ylabel('Temperature');ax4.set_title('friend')
# 輕量化布局調(diào)整繪圖
plt.tight_layout(pad=2)

---

3. 特征處理

首先我們需要劃分特征值和目標值。在原數(shù)據(jù)中提取特征值和目標值，'actual'存放的是當日最高溫度。

# 獲取目標值y，從Series類型變成數(shù)組類型
targets = np.array(features['actual'])
# 獲取特征值x，即在原數(shù)據(jù)中去掉目標值列，默認刪除行，需要指定軸axis=1指向列
features = features.drop('axtual',axis=1)
# 把features從DateFrame變成數(shù)組類型
features = np.array(features)

由于特征值中存在字符串類型的數(shù)據(jù)，'week'列都是字符串，因此我們需要對特征值進行one-hot編碼，將字符串類型轉(zhuǎn)變成數(shù)值類型。

# week列是字符串，重新編碼，變成數(shù)值型
features = pd.get_dummies(features)

處理完字符串數(shù)據(jù)以后，所有數(shù)據(jù)變成數(shù)值型。為防止由于數(shù)據(jù)單位不一，跨度大等問題導致的模型準確度不高的問題，對數(shù)值型數(shù)據(jù)進行標準化處理?

# 導入標準化方法庫
from sklearn import preprocessing
input_features = preprocessing.StandardScaler().fit_transform(features)

到此，對原始數(shù)據(jù)的處理結束，接下來構建神經(jīng)網(wǎng)絡模型。

---

4. 構建網(wǎng)絡模型

我們使用keras建模方法，常用參數(shù)如下：

activation：?激活函數(shù)，一般選relu

kernel_initializer, bias_initializer：?權重與偏置參數(shù)的初始化方法，有時候不收斂換個初始化方法就好了

kernel_regularizer, bias_regularizer：權重與偏置的正則化

inputs：輸入

units：神經(jīng)元個數(shù)

所有參數(shù)設置方法的參考：Module: tf ?|? TensorFlow Core v2.7.0 (google.cn)

---

（1）網(wǎng)絡搭建

首先我們導入keras序列模型，tf.keras.Sequential()，按順序一層一層添加網(wǎng)絡層。layers代表不同層次的實現(xiàn)。

每個隱含層的神經(jīng)元個數(shù)是隨意改變的，大家可以自己去試，我們這里需要預測最高溫度，因此輸出值層只需要一個神經(jīng)元。權重初始化方法各不相同，大家可以在上面那個文檔中尋找合適的。

# 構建層次
model = tf.keras.Sequential()
# 隱含層1設置16層，權重初始化方法設置為隨機高斯分布，加入正則化懲罰項
model.add(layers.Dense(16,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01)))
# 隱含層2設置32層
model.add(layers.Dense(32,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01)))
# 輸出層設置為1，即輸出一個預測結果
model.add(layers.Dense(1,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01)))

（2）優(yōu)化器和損失函數(shù)

接下來需要指定優(yōu)化器和損失函數(shù)?model.compile()，在這里優(yōu)化器使用梯度下降法，損失函數(shù)使用MSE均方誤差。大家要根據(jù)自己的任務來選擇，損失函數(shù)的選擇對網(wǎng)絡的結果影響很大。

# 優(yōu)化器和損失函數(shù)
model.compile(optimizer=tf.keras.optimizers.SGD(0.001),loss='mean_squared_error')

（3）網(wǎng)絡訓練

制定完成后就可以開始訓練了，網(wǎng)絡訓練函數(shù)?model.fit()。輸入特征值input_features，目標值targets，validation_split=0.25指測試集在輸入數(shù)據(jù)中抽取0.25用于測試，epochs指迭代次數(shù)100次，每一次迭代128個樣本。

# ==3== 網(wǎng)絡訓練
model.fit(input_features,targets,validation_split=0.25,epochs=100,batch_size=128)

返回訓練損失和測試損失，可看到迭代100次后，訓練集的損失24.675和測試集的損失29.01相差不大，證明沒有出現(xiàn)過擬合現(xiàn)象。如果出現(xiàn)訓練集的損失很小，測試集的損失很大，說明存在過擬合，需要調(diào)整參數(shù)。

（4）網(wǎng)絡模型結構

我們也可以看一下我們構建的網(wǎng)絡模型結構，model.summary()，隱含層1有240個參數(shù)，它是怎么計算的呢？輸入層的shape為[348,14]，14個特征；第一個全連接層W的shape為[14,16]，16代表隱含層1的特征個數(shù)，偏置參數(shù)b的shape為[1,16]，y=Wx+b。因此參數(shù)個數(shù)為14*16+16=240。

（5）預測結果

網(wǎng)絡模型預測函數(shù) model.predict()

# ==5== 預測模型結果
predict = model.predict(input_features)

我們這里對有所的樣本都預測一下，來比較預測結果和實際結果的差異

---

5. 結果展示

簡單繪制一個散點圖來看一下，可以看出預測結果和實際結果大體保持相同，稍微存在偏差。感興趣的同學可以進一步進行特征工程、調(diào)節(jié)參數(shù)，來達到更好的效果。

# 真實值，藍色實現(xiàn)
fig = plt.figure(figsize=(10,5))
axes = fig.add_subplot(111)
axes.plot(dates,targets,'bo',label='actual')
# 預測值，紅色散點
axes.plot(dates,predict,'ro',label='predict')
axes.set_xticks(dates[::50])
axes.set_xticklabels(dates[::50],rotation=45)plt.legend()
plt.show()

---

完整代碼

# 回歸預測溫度
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf
# 使用keras建模方法
from tensorflow.keras import layers
import warnings
warnings.filterwarnings('ignore')#（1）數(shù)據(jù)獲取
filepath = 'C:\\..\\temps.csv'
features = pd.read_csv(filepath)
# tenmp2代表前兩天的溫度，temp1代表前一天的溫度，目標值為actual#（2）數(shù)據(jù)預處理
# ==1== 處理時間數(shù)據(jù)，將年月日組合在一起
import datetime
# 獲取年月日數(shù)據(jù)
years = features['year']
months = features['month']
days = features['day']
# 將年月日拼接在一起--字符串類型
dates = []  
for year,month,day in zip(years,months,days):date = str(year)+'-'+str(month)+'-'+str(day)dates.append(date)
# 轉(zhuǎn)變成datetime格式
times = []
for date in dates:time = datetime.datetime.strptime(date,'%Y-%m-%d')times.append(time)
# 看一下前5行
times[:5]#（3）可視化，對各個特征繪圖
# 指定繪圖風格
plt.style.use('fivethirtyeight')
# 設置畫布，2行2列的畫圖窗口，第一行畫ax1和ax2
fig,((ax1,ax2),(ax3,ax4)) = plt.subplots(2,2,figsize=(20,10))# ==1== actual特征列
ax1.plot(times,features['actual'])
# 設置x軸y軸標簽和title標題
ax1.set_xlabel('');ax1.set_ylabel('Temperature');ax1.set_title('actual temp')
# ==2== 前一天的溫度
ax2.plot(times,features['temp_1'])
# 設置x軸y軸標簽和title標題
ax2.set_xlabel('');ax2.set_ylabel('Temperature');ax2.set_title('temp_1')
# ==3== 前2天的溫度
ax3.plot(times,features['temp_2'])
# 設置x軸y軸標簽和title標題
ax3.set_xlabel('Date');ax3.set_ylabel('Temperature');ax3.set_title('temp_2')
# ==4== friend
ax4.plot(times,features['friend'])
# 設置x軸y軸標簽和title標題
ax4.set_xlabel('Date');ax4.set_ylabel('Temperature');ax4.set_title('friend')
# 輕量化布局調(diào)整繪圖
plt.tight_layout(pad=2)#（4）對字符型數(shù)據(jù)one-hot編碼
# week列是字符串，重新編碼，變成數(shù)值型
features = pd.get_dummies(features)#（5）劃分特征值和目標值
# 獲取目標值y，從Series類型變成數(shù)值類型
targets = np.array(features['actual'])
# 獲取特征值x，即在原數(shù)據(jù)中去掉目標值列，默認刪除行，需要指定軸axis=1指向列
features = features.drop('actual',axis=1)
# 把features從DateFrame變成數(shù)組
features = np.array(features)#（6）標準化處理
from sklearn import preprocessing
input_features = preprocessing.StandardScaler().fit_transform(features)#（7）keras構建網(wǎng)絡模型
# ==1== 構建層次
model = tf.keras.Sequential()
# 隱含層1設置16層，權重初始化方法設置為隨機高斯分布
# 加入正則化懲罰項
model.add(layers.Dense(16,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01)))
model.add(layers.Dense(32,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01)))
model.add(layers.Dense(1,kernel_initializer='random_normal',kernel_regularizer=tf.keras.regularizers.l2(0.01)))
# ==2== 指定優(yōu)化器
model.compile(optimizer=tf.keras.optimizers.SGD(0.001),loss='mean_squared_error')
# ==3== 網(wǎng)絡訓練
model.fit(input_features,targets,validation_split=0.25,epochs=100,batch_size=128)
# ==4== 網(wǎng)絡模型結構
model.summary()
# ==5== 預測模型結果
predict = model.predict(input_features)#（7）展示預測結果
# 真實值，藍色實現(xiàn)
fig = plt.figure(figsize=(10,5))
axes = fig.add_subplot(111)
axes.plot(dates,targets,'bo',label='actual')
# 預測值，紅色散點
axes.plot(dates,predict,'ro',label='predict')
axes.set_xticks(dates[::50])
axes.set_xticklabels(dates[::50],rotation=45)plt.legend()
plt.show()

總結

以上是生活随笔為你收集整理的【神经网络】(1) 简单网络，实例：气温预测，附python完整代码和数据集的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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