一个超级简单的清晰的LSTM模型的例子

废话不多说，把代码贴上去，就可以运行。然后看注释，自己慢慢品，细细品。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt


# 1. 生成时间序列数据，这里使用正弦函数模拟，生成（500，1）的数据集，500个点
def generate_time_series():
    time_steps = np.linspace(0, 10 * np.pi, 500, dtype=np.float32)
    data = np.sin(time_steps)
    data = np.expand_dims(data, axis=-1)
    return data


# 2. 划分训练集和测试集，前400个训练，后100个验证
def prepare_data(data):
    train_data = data[:400]
    test_data = data[400:]
    return train_data, test_data


# 3. 创建数据集，time_steps是数据步长，现在用前time_steps数据，预测后1个数据。
# 有时候可能是前60个数据，输出后10个数据，那这个函数可以改成time_steps_x,time_step_y
# 这里Xs是输入数据，ys是输出数据
def create_dataset(data, time_steps):
    Xs, ys = [], []
    for i in range(len(data) - time_steps):
        v = data[i:(i + time_steps)]
        #前steps的数据是输入
        Xs.append(v)
        #后steps的数据是输出
        ys.append(data[i + time_steps])
    #返回输入，输出的结果集，输入(390,10,1)，输出(390,1)
    return np.array(Xs), np.array(ys)


# 4. 定义 LSTM 模型
# build_model() 函数使用 tf.keras.Sequential 构建一个 LSTM 模型。
# 第一个 LSTM 层有 50 个单元，设置 return_sequences=True 表示输出序列而不是仅输出最后一个时间步的输出。
# 第二个 LSTM 层有 50 个单元。
# 最后一个 Dense 层有 1 个单元，用于输出预测值。
# 使用 adam 优化器和 mse（均方误差）作为损失函数进行编译。
def build_model(input_shape):
    model = tf.keras.Sequential([
        tf.keras.layers.LSTM(units=50, return_sequences=True, input_shape=input_shape),
        tf.keras.layers.LSTM(units=50),
        tf.keras.layers.Dense(units=1)
    ])
    model.compile(optimizer='adam', loss='mse')
    return model


# 5. 训练模型
# train_model() 函数使用 model.fit() 进行训练，训练数据为 X_train 和 y_train，训练 20 个周期，批次大小为 32，同时设置 10% 的验证集，并关闭数据的随机打乱。
def train_model(model, X_train, y_train, epochs=20):
    history = model.fit(
        X_train, y_train,
        epochs=epochs,
        batch_size=32,
        validation_split=0.1,
        shuffle=False
    )
    return history


# 6. 预测和可视化结果
# predict_and_visualize() 函数使用训练好的模型进行预测，并将训练集的真实值、预测值以及测试集的真实值和预测值绘制在同一张图中进行对比。
def predict_and_visualize(model, X_train, y_train, X_test, y_test):
    train_predict = model.predict(X_train)
    test_predict = model.predict(X_test)

    plt.figure(figsize=(10, 6))
    plt.plot(y_train, label='True Train')
    plt.plot(train_predict, label='Predicted Train')
    plt.plot(range(len(y_train), len(y_train) + len(y_test)), y_test, label='True Test')
    plt.plot(range(len(y_train), len(y_train) + len(y_test)), test_predict, label='Predicted Test')
    plt.legend(loc='upper left')
    plt.show()

# 7. 采用plot显示项目
def plot_loss(history):
    plt.plot(history.history['loss'], label='Training Loss')
    plt.plot(history.history['val_loss'], label='Validation Loss')
    plt.title('Model Loss')
    plt.ylabel('Loss')
    plt.xlabel('Epoch')
    plt.legend(loc='upper right')
    plt.show()


if __name__ == "__main__":
    # 生成数据
    data = generate_time_series()
    train_data, test_data = prepare_data(data)
    time_steps = 10
    X_train, y_train = create_dataset(train_data, time_steps)
    X_test, y_test = create_dataset(test_data, time_steps)
    print(X_train.shape,y_train.shape)

    # 构建模型
    input_shape = (X_train.shape[1], X_train.shape[2])
    model = build_model(input_shape)

    # 训练模型
    history = train_model(model, X_train, y_train, epochs=20)

    # 显示训练的loss,val_loss
    plot_loss(history)

    # 预测和可视化
    predict_and_visualize(model, X_train, y_train, X_test, y_test)