tensorflow-rnn代码解读
来源:互联网 发布:刷钻软件 编辑:程序博客网 时间:2024/06/04 19:45
本文仅供自己学习记录使用
原文地址:http://blog.csdn.net/mylove0414/article/details/55805974 感谢博主———路一瓢的博客
# -*- coding:utf-8 -*-import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport tensorflow as tff=open('taiping2008-2016.csv')df=pd.read_csv(f) #读入股票数据data=np.array(df['High']) #获取最高价序列data=data[::-1] #反转,使数据按照日期先后顺序排列#以折线图展示dataplt.figure()plt.plot(data)plt.show()normalize_data=(data-np.mean(data))/np.std(data) #标准化normalize_data=normalize_data[:,np.newaxis] #增加维度#———————————————————形成训练集—————————————————————#设置常量time_step=20 #时间步rnn_unit=10 #hidden layer unitsbatch_size=60 #每一批次训练多少个样例input_size=1 #输入层维度output_size=1 #输出层维度lr=0.0006 #学习率train_x,train_y=[],[] #训练集for i in range(len(normalize_data)-time_step-1): x=normalize_data[i:i+time_step] y=normalize_data[i+1:i+time_step+1] train_x.append(x.tolist()) train_y.append(y.tolist())X=tf.placeholder(tf.float32, [None,time_step,input_size]) #每批次输入网络的tensorY=tf.placeholder(tf.float32, [None,time_step,output_size]) #每批次tensor对应的标签#输入层、输出层权重、偏置weights={ 'in':tf.Variable(tf.random_normal([input_size,rnn_unit])), 'out':tf.Variable(tf.random_normal([rnn_unit,1])) }biases={ 'in':tf.Variable(tf.constant(0.1,shape=[rnn_unit,])), 'out':tf.Variable(tf.constant(0.1,shape=[1,])) }def lstm(batch): #参数:输入网络批次数目 w_in=weights['in'] b_in=biases['in'] input=tf.reshape(X,[-1,input_size]) #需要将tensor转成2维进行计算,计算后的结果作为隐藏层的输入 input_rnn=tf.matmul(input,w_in)+b_in input_rnn=tf.reshape(input_rnn,[-1,time_step,rnn_unit]) #将tensor转成3维,作为lstm cell的输入 cell=tf.nn.rnn_cell.BasicLSTMCell(rnn_unit) init_state=cell.zero_state(batch,dtype=tf.float32) output_rnn,final_states=tf.nn.dynamic_rnn(cell, input_rnn,initial_state=init_state, dtype=tf.float32) #output_rnn是记录lstm每个输出节点的结果,final_states是最后一个cell的结果 output=tf.reshape(output_rnn,[-1,rnn_unit]) #作为输出层的输入 w_out=weights['out'] b_out=biases['out'] pred=tf.matmul(output,w_out)+b_out return pred,final_statesdef train_lstm(): global batch_size pred,_=lstm(batch_size) #损失函数 loss=tf.reduce_mean(tf.square(tf.reshape(pred,[-1])-tf.reshape(Y, [-1]))) train_op=tf.train.AdamOptimizer(lr).minimize(loss) saver=tf.train.Saver(tf.global_variables()) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) #重复训练10000次 for i in range(10000): step=0 start=0 end=start+batch_size while(end<len(train_x)): _,loss_=sess.run([train_op,loss],feed_dict={X:train_x[start:end],Y:train_y[start:end]}) start+=batch_size end=start+batch_size #每10步保存一次参数 if step%10==0: print(i,step,loss_) print("保存模型:",saver.save(sess,'stock.model')) step+=1def prediction(): pred,_=lstm(1) #预测时只输入[1,time_step,input_size]的测试数据 saver=tf.train.Saver(tf.global_variables()) with tf.Session() as sess: #参数恢复 module_file = tf.train.latest_checkpoint(base_path+'module2/') saver.restore(sess, module_file) #取训练集最后一行为测试样本。shape=[1,time_step,input_size] prev_seq=train_x[-1] predict=[] #得到之后100个预测结果 for i in range(100): next_seq=sess.run(pred,feed_dict={X:[prev_seq]}) predict.append(next_seq[-1]) #每次得到最后一个时间步的预测结果,与之前的数据加在一起,形成新的测试样本 prev_seq=np.vstack((prev_seq[1:],next_seq[-1])) #以折线图表示结果 plt.figure() plt.plot(list(range(len(normalize_data))), normalize_data, color='b') plt.plot(list(range(len(normalize_data), len(normalize_data) + len(predict))), predict, color='r') plt.show()
此代码来自博主:路一瓢的博客,请大家移步文始lainjie
如有侵权请联系我。
1. input=tf.reshape(X,[-1,input_size])
input_rnn=tf.matmul(input,w_in)+b_in
input_rnn=tf.reshape(input_rnn,[-1,time_step,rnn_unit])
input的形式[batch_size,time_step,input_size]
先转成二维,是为了乘以权重进行矩阵运算,再转成三维形式。转成二维时数据顺序没有改变,所以转回三维时的数据顺序也不变。
2. init_state=cell.zero_state(batch_size)对一个batch内的所有cell进行初始化
3. output_rnn,final_states=tf.nn.dynamic_rnn() 返回的output_rnn的shape是[batch_size,time_step,hidden_size],也就是说每一个cell的输出值都被保存下来了,实际进行预测的时候普遍使用的是一个time_step中的最后一维。final_states的shape是[batch_size,hidden_size],也就是说time_step上只有最后一个cell的fianl_state被保存下来了。
4. ,loss=sess.run([train_op,loss],feed_dict=
{X:train_x[start:end],Y:train_y[start:end]})
start+=batch_size
end=start+batch_size
每次输入一个batch进行训练
- tensorflow-rnn代码解读
- RNN代码解读之char-RNN with TensorFlow(model.py)
- RNN代码解读之char-RNN with TensorFlow(train.py)
- RNN代码解读之char-RNN with TensorFlow(util.py)
- RNN代码解读之char-RNN with TensorFlow(sample.py)
- 解读tensorflow之rnn
- 解读tensorflow之rnn
- 解读tensorflow之rnn
- CRF as RNN 代码解读
- TensorFlow RNN 教程和代码
- TensorFlow中RNN样例代码详解
- tensorflow rnn 最简单实现代码
- RNN的原理与TensorFlow代码实现
- 解读tensorflow之rnn 的示例 ptb_word_lm.py
- 解读tensorflow之rnn 的示例 ptb_word_lm.py
- Tensorflow学习笔记--RNN精要及代码实现
- 【tensorflow 学习】seq2seq模型代码解读
- tensorflow 循环神经网络RNN
- 返回流的形式图片显示在dom上
- Spring初始化
- 【easyui】动态显示datagrid列
- 文章标题
- 怎样在 Mac 上打开Library 文件夹
- tensorflow-rnn代码解读
- spring+springmvc+myBatis+jquery+ajax+jackson的增删改查
- Android线程管理(二)——ActivityThread(转载)
- 在开发中hosts的作用
- linux上安装Docker(非常简单的安装方法)
- 1 SOLR1:solr4.10.1 tomcat6 jdk8部署
- 技术人员的职业选择
- 粒子群优化算法研究
- try catch finally 的执行