当前位置：极客教程 > Keras > Keras 教程 > Keras – 使用LSTM RNN进行时间序列预测

Keras – 使用LSTM RNN进行时间序列预测

Keras – 使用LSTM RNN进行时间序列预测

在本章中，让我们编写一个简单的基于长短时记忆（LSTM）的RNN来做序列分析。一个序列是一组值，其中每个值都对应于一个特定的时间实例。让我们考虑一个简单的例子：阅读一个句子。阅读和理解一个句子包括按照给定的顺序阅读单词，并试图理解每个单词及其在给定语境中的含义，最后以积极或消极的情绪理解该句子。

在这里，单词被视为值，第一个值对应于第一个单词，第二个值对应于第二个单词，等等，而且顺序将被严格保持。 序列分析 在自然语言处理中经常被用来寻找给定文本的情感分析。

让我们创建一个LSTM模型来分析IMDB的电影评论，并找到其积极/消极的情绪。

序列分析的模型可以表示如下

Keras - 使用LSTM RNN进行时间序列预测

该模型的核心特征如下—

  • 输入层使用嵌入层，有128个特征。

  • 第一层，Dense由128个单元组成，正常落差和递归落差设置为0.2。

  • 输出层， Dense 由1个单元和 “sigmoid “激活函数组成。

  • 使用 binary_crossentropy 作为损失函数。

  • 使用 adam 作为优化器。

  • 使用 准确性 作为衡量标准。

  • 使用32作为批次大小。

  • 使用15次作为epochs。

  • 使用80作为单词的最大长度。

  • 使用2000作为一个给定句子中的最大单词数。

第1步：导入模块

让我们导入必要的模块。

from keras.preprocessing import sequence 
from keras.models import Sequential 
from keras.layers import Dense, Embedding 
from keras.layers import LSTM 
from keras.datasets import imdb
Python

第2步：加载数据

让我们导入imdb数据集。

(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words = 2000)
Python

这里、

  • imdb 是一个由Keras提供的数据集。它代表了一个电影及其评论的集合。

  • num_words 代表评论中的最大字数。

第3步：处理数据

让我们根据我们的模型来改变数据集，这样它就可以被送入我们的模型。数据可以用下面的代码来改变 —

x_train = sequence.pad_sequences(x_train, maxlen=80) 
x_test = sequence.pad_sequences(x_test, maxlen=80)
Python

这里、

sequence.pad_sequences 将形状为 （data） 的输入数据列表转换成形状为 （data, timesteps） 的二维NumPy数组 。 基本上，它在给定的数据中加入时间段的概念。它生成了长度为 maxlen 的时间段 。

第4步：创建模型

让我们来创建实际的模型。

model = Sequential() 
model.add(Embedding(2000, 128)) 
model.add(LSTM(128, dropout = 0.2, recurrent_dropout = 0.2)) 
model.add(Dense(1, activation = 'sigmoid'))
Python

这里、

我们使用 嵌入 层作为输入层，然后加入LSTM层。最后， 密集层 被用作输出层。

第5步：编译模型

让我们使用选定的损失函数、优化器和度量标准来编译该模型。

model.compile(loss = 'binary_crossentropy', 
   optimizer = 'adam', metrics = ['accuracy'])
Python

第6步：训练模型

让我们使用 fit() 方法训练模型。

model.fit(
   x_train, y_train, 
   batch_size = 32, 
   epochs = 15, 
   validation_data = (x_test, y_test)
)
Python

执行应用程序将输出以下信息—

Epoch 1/15 2019-09-24 01:19:01.151247: I 
tensorflow/core/platform/cpu_feature_guard.cc:142] 
Your CPU supports instructions that this 
TensorFlow binary was not co mpiled to use: AVX2 
25000/25000 [==============================] - 101s 4ms/step - loss: 0.4707 
- acc: 0.7716 - val_loss: 0.3769 - val_acc: 0.8349 Epoch 2/15 
25000/25000 [==============================] - 95s 4ms/step - loss: 0.3058 
- acc: 0.8756 - val_loss: 0.3763 - val_acc: 0.8350 Epoch 3/15 
25000/25000 [==============================] - 91s 4ms/step - loss: 0.2100 
- acc: 0.9178 - val_loss: 0.5065 - val_acc: 0.8110 Epoch 4/15 
25000/25000 [==============================] - 90s 4ms/step - loss: 0.1394 
- acc: 0.9495 - val_loss: 0.6046 - val_acc: 0.8146 Epoch 5/15 
25000/25000 [==============================] - 90s 4ms/step - loss: 0.0973 
- acc: 0.9652 - val_loss: 0.5969 - val_acc: 0.8147 Epoch 6/15 
25000/25000 [==============================] - 98s 4ms/step - loss: 0.0759 
- acc: 0.9730 - val_loss: 0.6368 - val_acc: 0.8208 Epoch 7/15 
25000/25000 [==============================] - 95s 4ms/step - loss: 0.0578 
- acc: 0.9811 - val_loss: 0.6657 - val_acc: 0.8184 Epoch 8/15 
25000/25000 [==============================] - 97s 4ms/step - loss: 0.0448 
- acc: 0.9850 - val_loss: 0.7452 - val_acc: 0.8136 Epoch 9/15 
25000/25000 [==============================] - 95s 4ms/step - loss: 0.0324 
- acc: 0.9894 - val_loss: 0.7616 - val_acc: 0.8162Epoch 10/15 
25000/25000 [==============================] - 100s 4ms/step - loss: 0.0247 
- acc: 0.9922 - val_loss: 0.9654 - val_acc: 0.8148 Epoch 11/15 
25000/25000 [==============================] - 99s 4ms/step - loss: 0.0169 
- acc: 0.9946 - val_loss: 1.0013 - val_acc: 0.8104 Epoch 12/15 
25000/25000 [==============================] - 90s 4ms/step - loss: 0.0154 
- acc: 0.9948 - val_loss: 1.0316 - val_acc: 0.8100 Epoch 13/15 
25000/25000 [==============================] - 89s 4ms/step - loss: 0.0113 
- acc: 0.9963 - val_loss: 1.1138 - val_acc: 0.8108 Epoch 14/15 
25000/25000 [==============================] - 89s 4ms/step - loss: 0.0106 
- acc: 0.9971 - val_loss: 1.0538 - val_acc: 0.8102 Epoch 15/15 
25000/25000 [==============================] - 89s 4ms/step - loss: 0.0090 
- acc: 0.9972 - val_loss: 1.1453 - val_acc: 0.8129 
25000/25000 [==============================] - 10s 390us/step
Python

第7步 – 评估模型

让我们使用测试数据来评估该模型。

score, acc = model.evaluate(x_test, y_test, batch_size = 32) 

print('Test score:', score) 
print('Test accuracy:', acc)
Python

执行上述代码将输出以下信息—

Test score: 1.145306069601178 
Test accuracy: 0.81292
Python

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Keras 教程

登录

找回密码？

注册