Keras 使用 LSTM RNN 進行時間序列預測

在本章中，讓我們編寫一個簡單的基于長短期記憶 (LSTM) 的 RNN 來進行序列分析。序列是一組值，其中每個值對應于特定的時間實例。讓我們考慮一個閱讀句子的簡單示例。閱讀和理解句子包括按照給定的順序閱讀單詞并嘗試理解給定上下文中的每個單詞及其含義，最終以積極或消極的情緒理解句子。

這里把單詞當作值，第一個值對應第一個單詞，第二個值對應第二個單詞，以此類推，并且順序會嚴格保持。序列分析在自然語言處理中經常使用，以找到給定文本的情感分析。

讓我們創(chuàng)建一個 LSTM 模型來分析 IMDB 電影評論并找出其正面/負面情緒。

序列分析的模型可以表示如下：

該模型的核心特征如下 :

• 使用具有 128 個特征的嵌入層的輸入層。
• 第一層，Dense 由 128 個單元組成，正常 dropout 和 recurrent dropout 設置為 0.2。
• 輸出層，Dense由 1 個單元和 sigmoid激活函數(shù)組成。
• 使用 binary_crossentropy 作為損失函數(shù)。
• 使用 adam 作為優(yōu)化器。
• 使用 accuracy 作為指標。
• 使用 32 作為批量大小。
• 使用 15 作為紀元。
• 使用 80 作為單詞的最大長度。
• 使用 2000 作為給定句子中的最大單詞數(shù)。

第 1 步：導入模塊

導入必要的模塊。

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

第 2 步：加載數(shù)據(jù)

導入 imdb 數(shù)據(jù)集。

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

• imdb 是 Keras 提供的數(shù)據(jù)集。它代表了一系列電影及其評論。
• num_words 表示評論中的最大單詞數(shù)。

第 3 步：處理數(shù)據(jù)

根據(jù)我們的模型更改數(shù)據(jù)集，以便將其輸入到我們的模型中?？梢允褂靡韵麓a更改數(shù)據(jù):

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

sequence.pad_sequences 將具有形狀(data)的輸入數(shù)據(jù)列表轉換為形狀(data, timesteps) 的二維 NumPy 數(shù)組?；旧希鼘r間步長概念添加到給定數(shù)據(jù)中。它生成長度為 maxlen 的時間步長。

第 4 步：創(chuàng)建模型

創(chuàng)建實際模型。

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

我們使用嵌入層作為輸入層，然后添加了 LSTM 層。最后，一個密集層用作輸出層。

第 5 步：編譯模型

使用選定的損失函數(shù)、優(yōu)化器和指標來編譯模型。

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

第 6 步：訓練模型

使用fit()方法訓練模型。

model.fit(
   x_train, y_train,
   batch_size = 32,
   epochs = 15,
   validation_data = (x_test, y_test)
)

執(zhí)行應用程序將輸出以下信息:

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

第 7 步 - 評估模型

使用測試數(shù)據(jù)評估模型。

score, acc = model.evaluate(x_test, y_test, batch_size = 32)

   
print('Test score:', score)
print('Test accuracy:', acc)

執(zhí)行上述代碼將輸出以下信息 :

Test score: 1.145306069601178
Test accuracy: 0.81292