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)

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)

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
赞 (0)

相关推荐