Keras - 使用 LSTM RNN 进行时间序列预测

在本章中，让我们编写一个简单的基于长短期记忆（LSTM）的 RNN 来进行序列分析。序列是一组值，其中每个值对应于一个特定的时间实例。让我们考虑一个阅读句子的简单例子。阅读和理解句子涉及按照给定的顺序阅读单词，并尝试理解每个单词及其在给定上下文中的含义，并最终以积极或消极的情绪理解该句子。

这里，单词被视为值，第一个值对应于第一个单词，第二个值对应于第二个单词，依此类推，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 电影评论并找出其正面/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 个特征的 Embedding 层。

  • 第一层，密集由 128 个单元组成，正常 dropout 和循环 dropout 设置为 0.2。

  • 输出层，Dense由 1 个单元和“sigmoid”激活函数组成。

  • 使用binary_crossentropy作为损失函数。

  • 使用Adam作为优化器。

  • 使用准确性作为指标。

  • 使用 32 作为批量大小。

  • 使用 15 作为纪元。

  • 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。

第 1 步：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

第2步：加载数据

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表示评论中的最大字数。

第 3 步：处理数据

让我们根据我们的模型更改数据集，以便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(data)的输入数据列表转换为形状(data, timesteps)的 2D NumPy 数组。基本上，它将时间步长概念添加到给定数据中。它生成长度maxlen的时间步长。

第 4 步：创建模型

让我们创建实际模型。

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，

我们使用Embedding 层作为输入层，然后添加 LSTM 层。最后，使用Dense 层作为输出层。

第5步：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'])

第 6 步：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)

执行上述代码将输出以下信息 -

Test score: 1.145306069601178 
Test accuracy: 0.81292