DL之LSTM：基于tensorflow框架利用LSTM算法对气温数据集训练并回归预测

DL之LSTM：基于tensorflow框架利用LSTM算法对气温数据集训练并回归预测

目录

输出结果

核心代码

输出结果

数据集

tensorboard可视化

      iter: 0 loss: 0.010328549
      iter: 500 loss: 0.0044991444
      iter: 1000 loss: 0.003714567
      iter: 1500 loss: 0.0033356838
      iter: 2000 loss: 0.003116763
      iter: 2500 loss: 0.0029606873
      iter: 3000 loss: 0.0028696475
      iter: 3500 loss: 0.0026985144
      iter: 4000 loss: 0.0025833827
      iter: 4500 loss: 0.0024938423
      iter: 5000 loss: 0.0024183288
      iter: 5500 loss: 0.0023511213
      iter: 6000 loss: 0.0022882319
      iter: 6500 loss: 0.0022265154
      iter: 7000 loss: 0.002163515
      iter: 7500 loss: 0.0020974649
      iter: 8000 loss: 0.0020275544
      iter: 8500 loss: 0.0019528335
      iter: 9000 loss: 0.0018700107
      iter: 9500 loss: 0.0017752206
      iter: 10000 loss: 0.0016714178
      iter: 10500 loss: 0.0015757289
      iter: 11000 loss: 0.0015021019
      iter: 11500 loss: 0.0014435991
      iter: 12000 loss: 0.0013950231
      iter: 12500 loss: 0.0013551206
      iter: 13000 loss: 0.0013215576
      iter: 13500 loss: 0.0012917771
      iter: 14000 loss: 0.0012640483
      iter: 14500 loss: 0.0012376485
      iter: 15000 loss: 0.0012124979
      iter: 15500 loss: 0.0011886061
      iter: 16000 loss: 0.0011660281
      iter: 16500 loss: 0.0011447266
      iter: 17000 loss: 0.0011244208
      iter: 17500 loss: 0.001104528
      iter: 18000 loss: 0.0010844271
      iter: 18500 loss: 0.0010633252
      iter: 19000 loss: 0.0010399523
      iter: 19500 loss: 0.001011961
      iter: 20000 loss: 0.00097585854
      iter: 20500 loss: 0.00093142985
      iter: 21000 loss: 0.00089110696
      iter: 21500 loss: 0.00086476567
      iter: 22000 loss: 0.00084816053
      iter: 22500 loss: 0.0008364689
      iter: 23000 loss: 0.00082719745
      iter: 23500 loss: 0.000819149
      iter: 24000 loss: 0.00081174297
      iter: 24500 loss: 0.00080478605
      iter: 25000 loss: 0.0007982892
      iter: 25500 loss: 0.00079225213
      iter: 26000 loss: 0.0007866463
      iter: 26500 loss: 0.0007813923
      iter: 27000 loss: 0.00077644055
      iter: 27500 loss: 0.00077167765
      iter: 28000 loss: 0.00076701824
      iter: 28500 loss: 0.0007624052
      iter: 29000 loss: 0.00075781584
      iter: 29500 loss: 0.00075323426
      iter: 30000 loss: 0.0007487352
      iter: 30500 loss: 0.00074437447
      iter: 31000 loss: 0.000740188
      iter: 31500 loss: 0.00073620223
      iter: 32000 loss: 0.0007323837
      iter: 32500 loss: 0.00072883896
      iter: 33000 loss: 0.0007253971
      iter: 33500 loss: 0.0007672859
      iter: 34000 loss: 0.00074850733
      iter: 34500 loss: 0.0007547441
      iter: 35000 loss: 0.00075676554
      iter: 35500 loss: 0.00075801736
      iter: 36000 loss: 0.00075870997
      iter: 36500 loss: 0.0007588421
      iter: 37000 loss: 0.0007584684
      iter: 37500 loss: 0.00075732305
      iter: 38000 loss: 0.0007555771
      iter: 38500 loss: 0.00075331994
      iter: 39000 loss: 0.0007502647
      iter: 39500 loss: 0.00074706867
  
 

核心代码

DL之LSTM：基于tensorflow框架利用LSTM算法对气温数据集训练并预测

      def LSTM(X):
       batch_size=tf.shape(X)[0]
       time_step=tf.shape(X)[1]
       w_in=weights['in']
       b_in=biases['in']
       input=tf.reshape(X,[-1,input_size])
       input_rnn=tf.matmul(input,w_in)+b_in
       input_rnn=tf.reshape(input_rnn,[-1,time_step,rnn_unit])
       cell=tf.contrib.rnn.BasicLSTMCell(rnn_unit)
      #cell=tf.contrib.rnn.core_rnn_cell.BasicLSTMCell(rnn_unit)
       init_state=cell.zero_state(batch_size,dtype=tf.float32)
       output_rnn,final_states=tf.nn.dynamic_rnn(cell, input_rnn,initial_state=init_state, dtype=tf.float32)
       output=tf.reshape(output_rnn,[-1,rnn_unit])
       w_out=weights['out']
       b_out=biases['out']
       pred=tf.matmul(output,w_out)+b_out
      return pred,final_states
  
 

文章来源: yunyaniu.blog.csdn.net，作者：一个处女座的程序猿，版权归原作者所有，如需转载，请联系作者。

原文链接：yunyaniu.blog.csdn.net/article/details/103746235