背景數據描述

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，如何有效的監控他們，做到早發現、早預防、早治療尤為關鍵，趁著這個假期我就利用TF2.0構建了一套時序預測模型，一來是可以幫我預發疾病，二來也可以體驗下TF2.0的特性

先來看下數據結構：

• date表示的是測量日期
• cholesterol代表膽固醇數值
• 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值一起構建時序模型，因為這三個指標不能獨立來看，他們是相互有影響的，互為特征和目標值。

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據探查、網絡構建、模型訓練、模型保存和預測這4個模塊進行拆分并講解，可以參見代碼中的注釋進行模塊區分。環境使用的是python3.7、TensorFlow2.0版本。（完整代碼見文末）

1數據探查

在數據探查模塊使用了pandas將數據讀取進來，然后用diff函數構建了時序數據的增長率曲線圖，因為做時序數據預測，更多地是去看數據的增長或者降低趨勢。通過matplotlib可以把數據的成長曲線畫出來：

2網絡結構構建

使用的是標準的lstm網絡結構，可以通過model.summary函數將深度學習網絡結構打印出來，如下圖所示：

3模型訓練

在模型訓練環節主要是構建了收斂函數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模型存儲和預測

第四部分先使用model.save這個TF的官方模型保持函數將模型保存到本地，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函數對下一階段的3個指標數據做一個預測。最終的預測結果存放在arr_predict對象中，預測結果為：

[[0.26552328，0.33151102，0]]

以上預測的是數據的增長率，假設最后一階段的三個指標的數據分別為4.5、3.2、119，那么最終下一階段的預測值就是：

[[4.5+0.26552328，3.2+0.33151102，119+0]]

完整代碼如下，有興趣的同學可以跑一跑玩一玩。

import

總結

以上是生活随笔為你收集整理的深度学习loss值变为0_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源代码）...的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。