tensorflow LSTM实现sin(x)预测

1.实验设计

• 数据格式
  X,y=(x1,..,x10),x11
• 数据生成
  使用np.linespace(0,100,10000)生成一个数组, 再用np.sin()得到时序数据. 因为 Δx=0.01 , 所以得到的sin(x) 序列足够光滑.
  接下来生成样本集. 用 i 作游标, 像滑动窗口一样, 取连续的10个数据作 X, 第11个数据作 y.

2.网络设计

输入层是10维的, 所以设计NUM_UNITS=10, NUM_LAYERS=2.

• 隐层设计

lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(NUM_UNITS, state_is_tuple=True)
cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * NUM_LAYERS)

• 输入层

output, _ = tf.nn.dynamic_rnn(cell, features, dtype=tf.float32)
output = tf.reshape(output, [-1, NUM_UNITS])

• 输出层

    # 创建一个全连接层，因为是回归问题, 输出的维度为1，None指的是不使用激活函数
    predictions = tf.contrib.layers.fully_connected(output, 1, None)

# 将predictions和labels调整统一的shape
    labels = tf.reshape(labels, [-1])
    predictions=tf.reshape(predictions, [-1])

• 损失函数与优化方法

    loss = tf.losses.mean_squared_error(predictions, labels)

    train_op = tf.contrib.layers.optimize_loss(
        loss, tf.contrib.framework.get_global_step(),
        optimizer="Adagrad", learning_rate=0.1)

3.代码

Github: predict_six_x.py

下面是作出的图像:

图1 测试集中真实值与预测值的曲线, 几乎完全重叠.

图 2 基于图1顶部的放大, 看一下不重合的部分