TensorFlow正弦函数预测

最新推荐文章于 2025-02-19 14:37:00 发布

原创

最新推荐文章于 2025-02-19 14:37:00 发布 · 626 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#LSTM

该博客主要介绍了如何利用TensorFlow进行正弦函数的预测，通过阅读《TensorFlow实战Google深度学习框架》8.4.2章节，发现并解决了代码中的错误，重点涉及LSTM模型的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

《TensorFlow实战Google深度学习框架》8.4.2

代码：

#!/usr/bin/env python
#-*-coding:UTF-8-*-

import numpy as np
import tensorflow as tf
from tensorflow.contrib.learn.python.learn.estimators.estimator import SKCompat
import matplotlib.pyplot as plt

learn = tf.contrib.learn

HIDDEN_SIZE = 30
NUM_LAYERS = 2

TIMESTEPS = 10
TRAINING_STEPS = 3000
BATCH_SIZE = 32

TRAINING_EXAMPLES = 10000
TESTING_EXAMPLES = 1000
SAMPLE_GAP = 0.01

def generate_data(seq):
    X = []
    y = []
    #序列的第i项和后面的TIMESTEPS-1项合在一起作为输入：第i + TIMESTEPS项作为输出。
    #即用sin函数前面的TIMESTEPS个点的信息，预测第i + TIMESTEPS个点的函数值
    for i in range(len(seq) - TIMESTEPS - 1):
        X.append([seq[i: i + TIMESTEPS]])
        y.append([seq[i + TIMESTEPS]])
    return np.array(X, dtype=np.float32), np.array(y, dtype=np.float32)

def lstm_model(X, y):
    
    lstm_cell = tf.contrib.rnn.BasicLSTMCell(HIDDEN_SIZE, state_is_tuple=True)
    cell = tf.contrib.rnn.MultiRNNCell([lstm_cell] * NUM_LAYERS)

    output, _ = tf.nn.dynamic_rnn(cell, X, dtype=tf.float32)
    
    output = tf.reshape(output, [-1, HIDDEN_SIZE])
    #对LSTM网络的输出再做加一层全连接层并计算损失。注意这里默认的损失为平均平方差损失函数
    
    predictions = tf.contrib.layers.fully_connected(output, 1, None)

    labels = tf.reshape(y,[-1])
    predictions = tf.reshape(predictions,[-1])

    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)

    return predictions, loss, train_op


regressor = SKComp