tensorflow LSTM实现sin(x)预测

最新推荐文章于 2019-10-11 21:30:18 发布

yichudu

最新推荐文章于 2019-10-11 21:30:18 发布

阅读量1.8k

点赞数

CC 4.0 BY-SA版权

分类专栏：神经网络------------ML】

天天开心

本文链接：https://blog.csdn.net/chuchus/article/details/77668879

神经网络------------ML】专栏收录该内容

35 篇文章

订阅专栏

本文介绍了一种基于LSTM的时序数据预测模型。通过使用numpy生成平滑的正弦序列作为训练数据，并采用滑动窗口的方式构建样本集。模型包含两层LSTM结构，每层单元数为10，最后通过全连接层输出预测结果。实验结果显示，该模型能有效预测测试集中的数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.实验设计

数据格式
$X,y=(x_1, .., x_{10}),x_{11}$
数据生成
使用np.linespace(0,100,10000)生成一个数组, 再用np.sin()得到时序数据. 因为 $\Delta x=0.01$ , 所以得到的sin(x) 序列足够光滑.
接下来生成样本集. 用 i 作游标, 像滑动窗口一样, 取连续的10个数据作 X, 第11个数据作 y.

2.网络设计

输入层是10维的, 所以设计NUM_UNITS=10, NUM_LAYERS=2.

隐层设计

lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(NUM_UNITS, state_is_tuple=True)
cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * NUM_LAYERS)

输入层

output, _ = tf.nn.dynamic_rnn(cell, features, dtype=tf.float32)
output = tf.reshape(output, [-1, NUM_UNITS])

输出层

    # 创建一个全连接层，因为是回归问题, 输出的维度为1，None指的是不使用激活函数
    predictions = tf.contrib.layers.fully_connected(output, 1, None)

    # 将predictions和labels调整统一的shape
    labels = tf.reshape(labels, [-1])
    predictions=tf.reshape(predictions, [-1])

损失函数与优化方法

    loss = tf.losses.mean_squared_error(predictions, labels)

    train_op = tf.contrib.layers.optimize_loss(
        loss, tf.contrib.framework.get_global_step(),
        optimizer="Adagrad", learning_rate=0.1)