как установить состояние для прогнозирования рН модели - PullRequest
Новая
       27

как установить состояние для прогнозирования рН модели

0 голосов
/ 09 сентября 2018

Я пытаюсь научиться прогнозировать рН. Я начинаю с обратной связи результатов в этом примере. Приведенный ниже пример устанавливает входные данные и веса, вычисляет выходные данные, разбивает данные на поезд / тест, подгоняет модель к поезду и затем предсказывает тест. Тестовые прогнозы неверны, поскольку состояние не было сохранено / установлено. Как сохранить состояние рН и установить для прогнозирования. Кроме того, как добавить дополнительные скрытые состояния? 

import numpy as np
import pandas as pd
import recurrentshop

from keras.layers import Dense, Concatenate, Input
from keras.models import Model

def main():
input_data = pd.DataFrame(data={
    'A': [1, 1, -19, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 4],
    'B': [1, 1, -18, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 4]
})

depth = input_data.shape[1]

x_t = Input(shape=(depth,))  # The input to the RNN at time t
y_tm1 = Input(shape=(depth,))  # Previous output
h_tm1 = Input(shape=(depth,))

# Compute new hidden state
x_t_and_y_tm1 = Concatenate()([x_t, y_tm1])
h_t = Dense(depth, kernel_initializer='ones')(x_t_and_y_tm1)

# Build the RNN
rnn = recurrentshop.RecurrentModel(input=x_t, initial_states=[h_tm1], output=h_t, final_states=[h_t],
                                   readout_input=y_tm1, return_sequences=True)

# Build a Keras Model using our RNN layer
n_time_steps = input_data.shape[0]
x = Input(shape=(None, depth))
y = rnn(x)
model = Model(x, y)

# Run the RNN over a sequence
expanded_input_data = np.expand_dims(input_data, axis=0)
out = model.predict(expanded_input_data)

print(f"expanded_input_data: {expanded_input_data}")
print(f"out: {out}")

# now train over in/out
n_training = int(0.8*n_time_steps)

training_in, testing_in = expanded_input_data[:, :n_training, :], expanded_input_data[:, n_training:, :]
training_out, testing_out = out[:, :n_training, :], out[:, n_training:, :]

# reinitialize weights

for layer in model.layers:
    if hasattr(layer, 'kernel_initializer'):
        layer.kernel.initializer.run()
    if hasattr(layer, 'bias_initializer'):
        layer.bias.initializer.run()

model.compile(loss='mse', optimizer='adam')
model.fit(training_in, training_out, validation_data=(training_in, training_out))
predict_out = model.predict(testing_in)

print(f"testing_out: {testing_out}")
print(f"predict_out: {predict_out}")

if __name__ == '__main__':
main()

Ожидаемый результат - 

testing_out: [[[-9.6468736e+07 -9.6468736e+07]
  [-1.9293747e+08 -1.9293747e+08]
  [-3.8587494e+08 -3.8587494e+08]
  [-7.7174989e+08 -7.7174989e+08]
  [-1.5434998e+09 -1.5434998e+09]
  [-3.0869996e+09 -3.0869996e+09]]]

Фактический вывод 

predict_out: [[[  2.   2.]
  [  6.   6.]
  [ 14.  14.]
  [ 30.  30.]
  [ 62.  62.]
  [132. 132.]]]
...