使用tensorflow简单构建rnn框架_如何用tensorflow搭建一个rnn-优快云博客

本文链接：https://blog.youkuaiyun.com/Bruce_zfh/article/details/131582006

该文展示了如何利用Keras库构建一个RNN（循环神经网络），特别是LSTM层，处理文本数据。首先，对输入的文本进行预处理，包括单词编码和创建特征与标签。然后，定义了一个包含两层LSTM的模型，并应用softmax激活函数。接着，模型被编译并用Adam优化器训练。最后，模型用于预测并打印出预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# 1.按照要求使用keras，搭建rnn处理以下内容
# (1)数据预处理

import tensorflow as tf
from tensorflow.keras import optimizers,activations,losses,layers,models
sample = "hihello"
# ①将出现的单词按照字典形式进行处理
set_list = list(set(sample))
print(set_list)
set_dict = {j:i for i,j in enumerate(set_list)}
print(set_dict)
# ②使用上面的sample，将hihell作为特征，ihello作为标签
x_str = sample[:-1]
y_str = sample[1:]
x = [set_dict[i] for i in x_str]
y = [set_dict[i] for i in y_str]
# ③设置合理的时间序列，将x进行对应的处理
n_timesteps = len(x)
n_classes = len(set_list)
x = tf.keras.utils.to_categorical(x,n_classes)
x = tf.reshape(x,(-1,n_timesteps,n_classes))
y = tf.keras.utils.to_categorical(y,n_classes)
y = tf.reshape(y,(-1,n_timesteps,n_classes))
# (2)模型操作
# ①使用LSTM模型进行处理
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.LSTM(n_classes,input_shape=(n_timesteps,n_classes),return_sequences=True))

# ②叠加一层lstm模型，元素数量相同
model.add(tf.keras.layers.LSTM(n_classes,return_sequences=True))

# ③使用对应方式将数据进行softmax处理
model.add(tf.keras.layers.Activation('softmax'))
# ④合理编译模型
model.compile(optimizer=optimizers.Adam(0.1),
              loss = losses.categorical_crossentropy,
              metrics=['accuracy'])
# ⑤训练模型
model.fit(x,y,epochs=100)
# ⑥预测结果
predictions = model.predict(x)
# ⑦将预测结果进行打印，核对结果
for i , j in enumerate(predictions):
    pre_idx = tf.argmax(j,axis=1)
    pre_val = [set_list[c] for c in pre_idx]
    print('true_val',''.join(y_str),'-->','pre_val',''.join(pre_val))