Question

作者: Mark JingNB 编辑: Morvan

• 学习资料:
  • 代码链接
  • 机器学习-简介系列 RNN
  • 机器学习-简介系列 LSTM
  • Tensorflow RNN 教程

这次我们使用 RNN 来求解回归(Regression) 问题. 首先生成序列 sin(x) ,对应输出数据为 cos(x) ,设置序列步长为 20，每次训练的 BATCH_SIZE 为 50.

def get_batch():
    global BATCH_START, TIME_STEPS
    # xs shape (50batch, 20steps)
    xs = np.arange(BATCH_START, BATCH_START+TIME_STEPS*BATCH_SIZE).reshape((BATCH_SIZE, TIME_STEPS)) / (10*np.pi)
    seq = np.sin(xs)
    res = np.cos(xs)
    BATCH_START += TIME_STEPS
    return [seq[:, :, np.newaxis], res[:, :, np.newaxis], xs]

然后添加 LSTM RNN 层，输入为训练数据，输出数据大小由 CELL_SIZE 定义。因为每一个输入都对应一个输出，所以 return_sequences=True 。 每一个点的当前输出都受前面所有输出的影响，BATCH 之间的参数也需要记忆，故 stateful=True

model.add(LSTM(
    batch_input_shape=(BATCH_SIZE, TIME_STEPS, INPUT_SIZE),       # Or: input_dim=INPUT_SIZE, input_length=TIME_STEPS,
    output_dim=CELL_SIZE,
    return_sequences=True,      # True: output at all steps. False: output as last step.
    stateful=True,              # True: the final state of batch1 is feed into the initial state of batch2
))

最后添加输出层，LSTM 层的每一步都有输出，使用 TimeDistributed 函数。

model.add(TimeDistributed(Dense(OUTPUT_SIZE)))

设置优化方法， loss 函数和 metrics 方法之后就可以开始训练了。 训练 501 次，调用 matplotlib 函数采用动画的方式输出结果。

for step in range(501):
    # data shape = (batch_num, steps, inputs/outputs)
    X_batch, Y_batch, xs = get_batch()
    cost = model.train_on_batch(X_batch, Y_batch)
    pred = model.predict(X_batch, BATCH_SIZE)
    plt.plot(xs[0, :], Y_batch[0].flatten(), 'r', xs[0, :], pred.flatten()[:TIME_STEPS], 'b--')
    plt.ylim((-1.2, 1.2))
    plt.draw()
    plt.pause(0.1)
    if step % 10 == 0:
        print('train cost: ', cost)

如果你觉得这篇文章或视频对你的学习很有帮助，请你也分享它，让它能再次帮助到更多的需要学习的人。