TF之LSTM：利用LSTM算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)
【摘要】 TF之LSTM：利用LSTM算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)
相关文章DL之LSTM：利用LSTM算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)
目录
输出结果
Tensorboard可视化
设计思路
核心代码
输出结果
波士顿房价数据集前10行数据
b...
TF之LSTM：利用LSTM算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)
相关文章
DL之LSTM：利用LSTM算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)
目录
输出结果
波士顿房价数据集前10行数据
-
boston.data： (506, 13)
-
[[6.3200e-03 1.8000e+01 2.3100e+00 0.0000e+00 5.3800e-01 6.5750e+00
-
6.5200e+01 4.0900e+00 1.0000e+00 2.9600e+02 1.5300e+01 3.9690e+02
-
4.9800e+00]
-
[2.7310e-02 0.0000e+00 7.0700e+00 0.0000e+00 4.6900e-01 6.4210e+00
-
7.8900e+01 4.9671e+00 2.0000e+00 2.4200e+02 1.7800e+01 3.9690e+02
-
9.1400e+00]
-
[2.7290e-02 0.0000e+00 7.0700e+00 0.0000e+00 4.6900e-01 7.1850e+00
-
6.1100e+01 4.9671e+00 2.0000e+00 2.4200e+02 1.7800e+01 3.9283e+02
-
4.0300e+00]
-
[3.2370e-02 0.0000e+00 2.1800e+00 0.0000e+00 4.5800e-01 6.9980e+00
-
4.5800e+01 6.0622e+00 3.0000e+00 2.2200e+02 1.8700e+01 3.9463e+02
-
2.9400e+00]
-
[6.9050e-02 0.0000e+00 2.1800e+00 0.0000e+00 4.5800e-01 7.1470e+00
-
5.4200e+01 6.0622e+00 3.0000e+00 2.2200e+02 1.8700e+01 3.9690e+02
-
5.3300e+00]
-
[2.9850e-02 0.0000e+00 2.1800e+00 0.0000e+00 4.5800e-01 6.4300e+00
-
5.8700e+01 6.0622e+00 3.0000e+00 2.2200e+02 1.8700e+01 3.9412e+02
-
5.2100e+00]
-
[8.8290e-02 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 6.0120e+00
-
6.6600e+01 5.5605e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.9560e+02
-
1.2430e+01]
-
[1.4455e-01 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 6.1720e+00
-
9.6100e+01 5.9505e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.9690e+02
-
1.9150e+01]
-
[2.1124e-01 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 5.6310e+00
-
1.0000e+02 6.0821e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.8663e+02
-
2.9930e+01]
-
[1.7004e-01 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 6.0040e+00
-
8.5900e+01 6.5921e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.8671e+02
-
1.7100e+01]]
-
boston.target: (506,)
-
[24. 21.6 34.7 33.4 36.2 28.7 22.9 27.1 16.5 18.9]
Tensorboard可视化
设计思路
核心代码
-
def add_input_layer(self,):
-
l_in_x = tf.reshape(self.xs, [-1, self.input_size], name='2_2D')
-
Ws_in = self._weight_variable([self.input_size, self.cell_size])
-
bs_in = self._bias_variable([self.cell_size,])
-
# l_in_y = (batch * n_steps, cell_size)
-
with tf.name_scope('Wx_plus_b'):
-
l_in_y = tf.matmul(l_in_x, Ws_in) + bs_in
-
self.l_in_y = tf.reshape(l_in_y, [-1, self.n_steps, self.cell_size], name='2_3D')
-
-
def add_cell(self):
-
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(self.cell_size, forget_bias=1.0, state_is_tuple=True)
-
with tf.name_scope('initial_state'):
-
self.cell_init_state = lstm_cell.zero_state(self.batch_size, dtype=tf.float32)
-
self.cell_outputs, self.cell_final_state = tf.nn.dynamic_rnn(
-
lstm_cell, self.l_in_y, initial_state=self.cell_init_state, time_major=False)
-
-
def add_output_layer(self):
-
# shape = (batch * steps, cell_size)
-
l_out_x = tf.reshape(self.cell_outputs, [-1, self.cell_size], name='2_2D')
-
Ws_out = self._weight_variable([self.cell_size, self.output_size])
-
bs_out = self._bias_variable([self.output_size, ])
-
# shape = (batch * steps, output_size)
-
with tf.name_scope('Wx_plus_b'):
-
self.pred = tf.matmul(l_out_x, Ws_out) + bs_out
-
def compute_cost(self):
-
losses = tf.contrib.legacy_seq2seq.sequence_loss_by_example(
-
[tf.reshape(self.pred, [-1], name='reshape_pred')],
-
[tf.reshape(self.ys, [-1], name='reshape_target')],
-
[tf.ones([self.batch_size * self.n_steps], dtype=tf.float32)],
-
average_across_timesteps=True,
-
softmax_loss_function=self.ms_error,
-
name='losses'
-
)
-
with tf.name_scope('average_cost'):
-
self.cost = tf.div(
-
tf.reduce_sum(losses, name='losses_sum'),
-
self.batch_size,
-
name='average_cost')
-
tf.summary.scalar('cost', self.cost)
1、训练数据集的(递增式)索引批次段输出记录
-
训练数据集的(递增式)索引批次段： 0 300
-
训练数据集的(递增式)索引批次段： 10 310
-
训练数据集的(递增式)索引批次段： 20 320
-
训练数据集的(递增式)索引批次段： 30 330
-
训练数据集的(递增式)索引批次段： 40 340
-
训练数据集的(递增式)索引批次段： 50 350
-
训练数据集的(递增式)索引批次段： 60 360
-
训练数据集的(递增式)索引批次段： 70 370
-
训练数据集的(递增式)索引批次段： 80 380
-
训练数据集的(递增式)索引批次段： 90 390
-
训练数据集的(递增式)索引批次段： 100 400
-
训练数据集的(递增式)索引批次段： 110 410
-
训练数据集的(递增式)索引批次段： 120 420
-
训练数据集的(递增式)索引批次段： 130 430
-
训练数据集的(递增式)索引批次段： 140 440
-
训练数据集的(递增式)索引批次段： 150 450
-
训练数据集的(递增式)索引批次段： 160 460
-
训练数据集的(递增式)索引批次段： 170 470
-
训练数据集的(递增式)索引批次段： 180 480
-
训练数据集的(递增式)索引批次段： 190 490
-
训练数据集的(递增式)索引批次段： 200 500
-
0 cost: 6.6038
-
训练数据集的(递增式)索引批次段： 0 300
-
训练数据集的(递增式)索引批次段： 10 310
-
训练数据集的(递增式)索引批次段： 20 320
-
训练数据集的(递增式)索引批次段： 30 330
-
训练数据集的(递增式)索引批次段： 40 340
-
训练数据集的(递增式)索引批次段： 50 350
-
训练数据集的(递增式)索引批次段： 60 360
-
训练数据集的(递增式)索引批次段： 70 370
-
训练数据集的(递增式)索引批次段： 80 380
-
训练数据集的(递增式)索引批次段： 90 390
-
训练数据集的(递增式)索引批次段： 100 400
-
训练数据集的(递增式)索引批次段： 110 410
-
训练数据集的(递增式)索引批次段： 120 420
-
训练数据集的(递增式)索引批次段： 130 430
-
训练数据集的(递增式)索引批次段： 140 440
-
训练数据集的(递增式)索引批次段： 150 450
-
训练数据集的(递增式)索引批次段： 160 460
-
训练数据集的(递增式)索引批次段： 170 470
-
训练数据集的(递增式)索引批次段： 180 480
-
训练数据集的(递增式)索引批次段： 190 490
-
1 cost: 3.8826
-
……
-
2 cost: 2.7715
-
……
-
……
-
8 cost: 1.0885
-
……
-
……
-
……
-
55 cost: 0.1853
-
……
-
……
-
……
-
……
-
198 cost: 0.058
-
训练数据集的(递增式)索引批次段： 0 300
-
训练数据集的(递增式)索引批次段： 10 310
-
训练数据集的(递增式)索引批次段： 20 320
-
训练数据集的(递增式)索引批次段： 30 330
-
训练数据集的(递增式)索引批次段： 40 340
-
训练数据集的(递增式)索引批次段： 50 350
-
训练数据集的(递增式)索引批次段： 60 360
-
训练数据集的(递增式)索引批次段： 70 370
-
训练数据集的(递增式)索引批次段： 80 380
-
训练数据集的(递增式)索引批次段： 90 390
-
训练数据集的(递增式)索引批次段： 100 400
-
训练数据集的(递增式)索引批次段： 110 410
-
训练数据集的(递增式)索引批次段： 120 420
-
训练数据集的(递增式)索引批次段： 130 430
-
训练数据集的(递增式)索引批次段： 140 440
-
训练数据集的(递增式)索引批次段： 150 450
-
训练数据集的(递增式)索引批次段： 160 460
-
训练数据集的(递增式)索引批次段： 170 470
-
训练数据集的(递增式)索引批次段： 180 480
-
训练数据集的(递增式)索引批次段： 190 490
-
199 cost: 0.0424
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/88640881
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）