第15周：RNN心脏病预测

目录

前言

二、前期准备

2.1 设置GPU

2.2 导入数据

2.2.1 数据介绍

2.2.2 导入代码

2.2.3 检查数据

三、数据预处理

3.1 划分训练集与测试集

3.2 标准化

四、构建RNN模型

4.1 基本概念

4.2 搭建代码

五、编译模型

六、训练模型

七、模型评估

总结

---

前言

• 🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客
• 🍖 原作者：[K同学啊](https://mtyjkh.blog.youkuaiyun.com/)

说在前面

本周目标：本地读取并加载数据、了解循环神经网络(RNN)的构建过程、调整代码是的测试机acuuracy达到87%；拔高目标——测试集accuracy达到89%

我的环境：Python3.8、Pycharm2020、tensorflow2.4.0

数据来源：[K同学啊](https://mtyjkh.blog.youkuaiyun.com/)

代码的流程图如下：

---

一、RNN简介

传统神经网络结构比较简单是输入层——隐藏层——输出层，而RNN与传统神经网络最大的区别在于每次都会将前一次的输出结果，带到下一次的隐藏层中，一起训练。如下图所示，左图为传统神经网络，右图为RNN

 以一个案例具体分析RNN工作过程，用户说了一句“what time is it？”，我们的神经网络首先会将这句话分为五个基本单元（四个单词➕一个问号）；然后按照顺序将5个基本单元输入RNN网络，what作为RNN的输入得到输出01，按照顺序将“time”输入RNN网络，得到输出02，这个过程中可以看到输入“time”的时候，前面“what”的输出也会对02的输出产生了影响（如下图中所示，隐藏层中有一半是黑色的），依次类推，前面所有的输入产生的结果都对后续的输出产生了印象（下图中最后的圆形中就包含了前面所有的颜色） 

当神经网络判断意图的时候，只需要最后一层的输出05，如下图所示

                               

循环神经网络（RNN）是一类用于处理序列数据的神经网络。不同于传统的前馈神经网络，RNN 能够处理序列长度变化的数据，如文本、语音等。RNN 的特点是在模型中引入循环，使得网络能够保持某种状态，从而在处理序列数据时表现出更好的性能。

上图左边简单描述 RNN 的原理，x 是输入层，o 是输出层，中间 s 是隐藏层，在 s 层进行一个循环，右边表示展开循环看到的逻辑，其实是和时间 t 相关的一个状态变化，也就是说神经网络在处理数据的时候，能看到前一时刻、后一时刻的状态，也就是常说的上下文

二、前期准备

2.1 设置GPU