Pybrain搭建RNN

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import preprocessing
from pybrain.tools.shortcuts import buildNetwork
from pybrain.structure import *
from pybrain.datasets import SupervisedDataSet,UnsupervisedDataSet
from pybrain.supervised.trainers import BackpropTrainer,RPropMinusTrainer
from sklearn.metrics import mean_squared_error

data = pd.read_csv('air.csv',header=None,encoding='utf8')
arr = data.values.ravel()

obsLen = 12
predLen = 12
X = []
for i in range(0,arr.shape[0]-predLen-7,obsLen):
    vec = arr[i:i+obsLen]
    X.append(vec)
X = np.array(X)

y = []
for j in range(predLen,arr.shape[0]-7,obsLen):
    vec = arr[j:j+obsLen]
    y.append(vec)
y = np.array(y)

dataset = SupervisedDataSet(obsLen,predLen)
for i in range(len(y)):
    dataset.addSample(X[i],y[i])
    
net = buildNetwork(obsLen,20,predLen,outclass=LinearLayer,bias=True,recurrent=True)
model = BackpropTrainer(net,dataset,learningrate=0.01,verbose=False)   
model.trainEpochs(100)

ts = UnsupervisedDataSet(obsLen,)
ts.addSample(y[-1])
predict = [int(round(value)) for value in net.activateOnDataset(ts)[0]][0:7]
actual = arr[-7:]
print('Test RMSE(RNN) = ',np.sqrt(mean_squared_error(actual,predict)))


net = buildNetwork(obsLen,20,predLen,hiddenclass=LSTMLayer,outputbias=False,recurrent=True)
model = BackpropTrainer(net,dataset,learningrate=0.01,verbose=False)
model.trainEpochs(100)
predict = [int(round(value)) for value in net.activateOnDataset(ts)[0]][0:7]
actual = arr[-7:]
print('Test RMSE(LSTM) = ',np.sqrt(mean_squared_error(actual,predict)))

### 使用PyTorch构建RNN神经网络 为了使用PyTorch构建循环神经网络(RNN),可以遵循以下结构化的方法。首先,导入必要的库来支持模型建设、数据加载以及评估等功能[^1]。 ```python import torch from torch import nn import torch.nn.functional as F ``` 定义一个简单的RNN类继承自`nn.Module`,这是所有神经网络模块的基础类。在这个例子中,初始化函数设置了输入维度大小、隐藏层单元数量以及其他参数;前向传播方法指定了数据流经网络的方式: ```python class SimpleRNN(nn.Module): def __init__(input_dim, hidden_dim, layer_dim, output_dim): super(SimpleRNN, self).__init__() # 隐藏层数量 self.hidden_dim = hidden_dim # 层的数量 self.layer_dim = layer_dim # RNN层 self.rnn = nn.RNN(input_dim, hidden_dim, layer_dim, batch_first=True, nonlinearity='relu') # 全连接层 self.fc = nn.Linear(hidden_dim, output_dim) def forward(x): # 初始化隐状态 h0 = torch.zeros(self.layer_dim, x.size(0), self.hidden_dim).requires_grad_() # 前向传递至RNN out, hn = rnn(x, h0.detach()) # 只取最后一个时刻的状态作为全连接层的输入 out = self.fc(out[:, -1, :]) return out ``` 创建随机数据集用于测试目的,这可以通过实现`__getitem__()`和`__len__()`方法来自定义数据集类完成[^2]。 最后一步是实例化上述定义好的RNN对象并训练它,在实际应用中还需要准备真实的数据集来进行有效的学习过程。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值