📌  相关文章
📜  Keras-使用LSTM RNN进行时间序列预测

📅  最后修改于: 2020-12-11 05:00:33             🧑  作者: Mango

在本章中，让我们编写一个简单的基于RSTM的长期短期记忆(LSTM)进行序列分析。序列是一组值，其中每个值对应于特定的时间实例。让我们考虑一个简单的阅读句子的例子。阅读和理解句子包括按照给定的顺序阅读单词，并尝试在给定的上下文中理解每个单词及其含义，最后以积极或消极的态度理解句子。

在此，将单词视为值，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，并且将严格保持顺序。序列分析经常用于自然语言处理中，以查找给定文本的情感分析。

让我们创建一个LSTM模型来分析IMDB电影评论并找到其正面/负面情绪。

序列分析的模型可以表示如下-

序列分析

该模型的核心特征如下-

  • 输入层使用具有128个要素的嵌入层。

  • 第一层，密集(Dense)由128个单元组成，正常辍学和经常性辍学设置为0.2。

  • 输出层Dense由1个单元和’Sigmoid’激活函数。

  • 使用binary_crossentropy作为损失函数。

  • 使用亚当作为优化器。

  • 使用准确性作为指标。

  • 使用32作为批处理大小。

  • 使用15作为时代。

  • 使用80作为单词的最大长度。

  • 使用2000作为给定句子中的最大单词数。

步骤1：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

步骤2：载入资料

让我们导入imdb数据集。

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

这里，

  • imdb是Keras提供的数据集。它代表了电影及其评论的集合。

  • num_words表示评论中的最大单词数。

步骤3：处理资料

让我们根据我们的模型更改数据集，以便可以将其输入到我们的模型中。可以使用以下代码更改数据-

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

这里，

sequence.pad_sequences将形状为(data)的输入数据列表转换为形状(data，timesteps)的2D NumPy数组。基本上，它将时间步概念添加到给定数据中。它生成长度maxlen的时间步长。

步骤4：建立模型

让我们创建实际的模型。

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

这里，

我们已经使用嵌入层作为输入层，然后添加了LSTM层。最后，密集层用作输出层。

步骤5：编译模型

让我们使用选定的损失函数，优化器和指标来编译模型。

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

步骤6：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)
)

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

步骤7-评估模型

让我们使用测试数据评估模型。

score, acc = model.evaluate(x_test, y_test, batch_size = 32) 
   
print('Test score:', score) 
print('Test accuracy:', acc)

执行上面的代码将输出以下信息-

Test score: 1.145306069601178 
Test accuracy: 0.81292