TensorFlow正弦函数预测

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
您可以使用TensorFlow创建一个LSTM模型来预测正弦函数。下面是一个简单的示例代码: ```python import numpy as np import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense # 生成正弦函数数据 sequence_length = 100 x = np.linspace(0, 2 * np.pi, num=sequence_length) y = np.sin(x) # 将数据转换为LSTM模型的输入格式 data = np.array([y[i:i+3] for i in range(len(y)-3)]) x_train = data[:, :-1] y_train = data[:, -1] # 创建并训练LSTM模型 model = Sequential() model.add(LSTM(32, input_shape=(2, 1))) # 输入维度为2,输出维度为1 model.add(Dense(1)) model.compile(optimizer='adam', loss='mse') model.fit(x_train[:, :, np.newaxis], y_train[:, np.newaxis], epochs=100) # 使用模型进行预测 x_test = np.array([[y[-2], y[-1]]]) y_pred = model.predict(x_test[np.newaxis, :, np.newaxis]) print("预测的下一个正弦:", y_pred[0, 0]) ``` 在这个示例中,我们首先生成了一个包含100个正弦函数的序列。然后,我们将序列转换为LSTM模型的输入格式,即每个样本包含连续的三个正弦函数,用前两个预测下一个。接下来,我们创建了一个简单的LSTM模型,包含一个LSTM层和一个全连接层。最后,我们使用生成的模型对最后两个正弦函数进行预测,并输出预测的下一个正弦。 请注意,这只是一个简单的示例,实际应用中可能需要更复杂的模型和更多的数据来获得更好的预测效果。
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