TF之LSTM：利用LSTM算法對Boston(波士頓房價)數據集【13+1,506】進行回歸預測(房價預測)

相關文章
DL之LSTM：利用LSTM算法對Boston(波士頓房價)數據集【13+1,506】進行回歸預測(房價預測)

?

目錄

輸出結果

Tensorboard可視化

設計思路

核心代碼

---

?

?

輸出結果

波士頓房價數據集前10行數據

boston.data： (506, 13) [[6.3200e-03 1.8000e+01 2.3100e+00 0.0000e+00 5.3800e-01 6.5750e+006.5200e+01 4.0900e+00 1.0000e+00 2.9600e+02 1.5300e+01 3.9690e+024.9800e+00][2.7310e-02 0.0000e+00 7.0700e+00 0.0000e+00 4.6900e-01 6.4210e+007.8900e+01 4.9671e+00 2.0000e+00 2.4200e+02 1.7800e+01 3.9690e+029.1400e+00][2.7290e-02 0.0000e+00 7.0700e+00 0.0000e+00 4.6900e-01 7.1850e+006.1100e+01 4.9671e+00 2.0000e+00 2.4200e+02 1.7800e+01 3.9283e+024.0300e+00][3.2370e-02 0.0000e+00 2.1800e+00 0.0000e+00 4.5800e-01 6.9980e+004.5800e+01 6.0622e+00 3.0000e+00 2.2200e+02 1.8700e+01 3.9463e+022.9400e+00][6.9050e-02 0.0000e+00 2.1800e+00 0.0000e+00 4.5800e-01 7.1470e+005.4200e+01 6.0622e+00 3.0000e+00 2.2200e+02 1.8700e+01 3.9690e+025.3300e+00][2.9850e-02 0.0000e+00 2.1800e+00 0.0000e+00 4.5800e-01 6.4300e+005.8700e+01 6.0622e+00 3.0000e+00 2.2200e+02 1.8700e+01 3.9412e+025.2100e+00][8.8290e-02 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 6.0120e+006.6600e+01 5.5605e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.9560e+021.2430e+01][1.4455e-01 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 6.1720e+009.6100e+01 5.9505e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.9690e+021.9150e+01][2.1124e-01 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 5.6310e+001.0000e+02 6.0821e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.8663e+022.9930e+01][1.7004e-01 1.2500e+01 7.8700e+00 0.0000e+00 5.2400e-01 6.0040e+008.5900e+01 6.5921e+00 5.0000e+00 3.1100e+02 1.5200e+01 3.8671e+021.7100e+01]] boston.target: (506,) [24. 21.6 34.7 33.4 36.2 28.7 22.9 27.1 16.5 18.9]

?

?

Tensorboard可視化

?

?

設計思路

?

?

?

核心代碼

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_inself.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、訓練數據集的(遞增式)索引批次段輸出記錄

訓練數據集的(遞增式)索引批次段： 0 300 訓練數據集的(遞增式)索引批次段： 10 310 訓練數據集的(遞增式)索引批次段： 20 320 訓練數據集的(遞增式)索引批次段： 30 330 訓練數據集的(遞增式)索引批次段： 40 340 訓練數據集的(遞增式)索引批次段： 50 350 訓練數據集的(遞增式)索引批次段： 60 360 訓練數據集的(遞增式)索引批次段： 70 370 訓練數據集的(遞增式)索引批次段： 80 380 訓練數據集的(遞增式)索引批次段： 90 390 訓練數據集的(遞增式)索引批次段： 100 400 訓練數據集的(遞增式)索引批次段： 110 410 訓練數據集的(遞增式)索引批次段： 120 420 訓練數據集的(遞增式)索引批次段： 130 430 訓練數據集的(遞增式)索引批次段： 140 440 訓練數據集的(遞增式)索引批次段： 150 450 訓練數據集的(遞增式)索引批次段： 160 460 訓練數據集的(遞增式)索引批次段： 170 470 訓練數據集的(遞增式)索引批次段： 180 480 訓練數據集的(遞增式)索引批次段： 190 490 訓練數據集的(遞增式)索引批次段： 200 500 0 cost: 6.6038 訓練數據集的(遞增式)索引批次段： 0 300 訓練數據集的(遞增式)索引批次段： 10 310 訓練數據集的(遞增式)索引批次段： 20 320 訓練數據集的(遞增式)索引批次段： 30 330 訓練數據集的(遞增式)索引批次段： 40 340 訓練數據集的(遞增式)索引批次段： 50 350 訓練數據集的(遞增式)索引批次段： 60 360 訓練數據集的(遞增式)索引批次段： 70 370 訓練數據集的(遞增式)索引批次段： 80 380 訓練數據集的(遞增式)索引批次段： 90 390 訓練數據集的(遞增式)索引批次段： 100 400 訓練數據集的(遞增式)索引批次段： 110 410 訓練數據集的(遞增式)索引批次段： 120 420 訓練數據集的(遞增式)索引批次段： 130 430 訓練數據集的(遞增式)索引批次段： 140 440 訓練數據集的(遞增式)索引批次段： 150 450 訓練數據集的(遞增式)索引批次段： 160 460 訓練數據集的(遞增式)索引批次段： 170 470 訓練數據集的(遞增式)索引批次段： 180 480 訓練數據集的(遞增式)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 訓練數據集的(遞增式)索引批次段： 0 300 訓練數據集的(遞增式)索引批次段： 10 310 訓練數據集的(遞增式)索引批次段： 20 320 訓練數據集的(遞增式)索引批次段： 30 330 訓練數據集的(遞增式)索引批次段： 40 340 訓練數據集的(遞增式)索引批次段： 50 350 訓練數據集的(遞增式)索引批次段： 60 360 訓練數據集的(遞增式)索引批次段： 70 370 訓練數據集的(遞增式)索引批次段： 80 380 訓練數據集的(遞增式)索引批次段： 90 390 訓練數據集的(遞增式)索引批次段： 100 400 訓練數據集的(遞增式)索引批次段： 110 410 訓練數據集的(遞增式)索引批次段： 120 420 訓練數據集的(遞增式)索引批次段： 130 430 訓練數據集的(遞增式)索引批次段： 140 440 訓練數據集的(遞增式)索引批次段： 150 450 訓練數據集的(遞增式)索引批次段： 160 460 訓練數據集的(遞增式)索引批次段： 170 470 訓練數據集的(遞增式)索引批次段： 180 480 訓練數據集的(遞增式)索引批次段： 190 490 199 cost: 0.0424

?

?

?

總結

以上是生活随笔為你收集整理的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)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。