BP神经网络实现气温学习和预测代码及代码分析(python+tensorflow).zip

import tensorflow.compat.v1 as tf tf.disable_v2_behavior() from numpy.random import RandomState import pandas as pd import numpy as np import time #定义神经网络的参数 d=3#输入节点个数 l=1#输出节点个数 q=2*d+1#隐层个数,采用经验公式2d+1 train_num=480#训练数据个数 test_num=240#测试数据个数 eta=0.5#学习率 error=0.0009#精度 #初始化权值和阈值 w1= tf.Variable(tf.random.normal([d, q], stddev=1, seed=1))#seed设定随机种子，保证每次初始化相同数据 b1=tf.Variable(tf.constant(0.0,shape=[q])) w2= tf.Variable(tf.random.normal([q, l], stddev=1, seed=1)) b2=tf.Variable(tf.constant(0.0,shape=[l])) #输入占位 x = tf.placeholder(tf.float32, shape=(None, d))#列数是d，行数不定 y_= tf.placeholder(tf.float32, shape=(None, l)) #构建图：前向传播 a=tf.nn.sigmoid(tf.matmul(x,w1)+b1)#sigmoid激活函数 y=tf.nn.sigmoid(tf.matmul(a,w2)+b2) mse = tf.reduce_mean(tf.square(y_ - y))#损失函数采用均方误差 train_step = tf.train.AdamOptimizer(eta).minimize(mse)#Adam算法 #train_step = tf.train.GradientDescentOptimizer(eta).minimize(mse)#梯度下降法 #读取气温数据 dataset = pd.read_csv('tem.csv', delimiter=",") dataset=np.array(dataset) m,n=np.shape(dataset) totalX=np.zeros((m-d,d)) totalY=np.zeros((m-d,l)) for i in range(m-d):#分组：前三个值输入，第四个值输出 totalX[i][0]=dataset[i][0] totalX[i][1]=dataset[i+1][0] totalX[i][2]=dataset[i+2][0] totalY[i][0]=dataset[i+3][0] #归一化数据 Normal_totalX=np.zeros((m-d,d)) Normal_totalY=np.zeros((m-d,l)) nummin=np.min(dataset) nummax=np.max(dataset) dif=nummax-nummin for i in range(m-d): for j in range(d): Normal_totalX[i][j]=(totalX[i][j]-nummin)/dif Normal_totalY[i][0]=(totalY[i][0]-nummin)/dif #截取训练数据 X=Normal_totalX[:train_num-d,:] Y=Normal_totalY[:train_num-d,:] testX=Normal_totalX[train_num:,:] testY=totalY[train_num:,:] start = time.clock() #创建会话来执行图 with tf.Session() as sess: init_op = tf.global_variables_initializer()#初始化节点 sess.run(init_op) STEPS=0 while True: sess.run(train_step, feed_dict={x: X, y_: Y}) STEPS+=1 train_mse= sess.run(mse, feed_dict={x: X, y_: Y}) if STEPS % 10000 == 0:#每训练100次，输出损失函数 print("第 %d 次训练后,训练集损失函数为：%g" % (STEPS, train_mse)) ##if train_mse<error: ## break if STEPS>10000000: break print("总训练次数：",STEPS) end = time.clock() print("运行耗时(s)：",end-start) #测试 Normal_y= sess.run(y, feed_dict={x: testX})#求得测试集下的y计算值 DeNormal_y=Normal_y*dif+nummin#将y反归一化 test_mse= sess.run(mse, feed_dict={y: DeNormal_y, y_: testY})#计算均方误差 print("测试集均方误差为：",test_mse) #预测 XX=tf.constant([[18.3,17.4,16.7]]) XX=(XX-nummin)/dif#归一化 a=tf.nn.sigmoid(tf.matmul(XX,w1)+b1) y=tf.nn.sigmoid(tf.matmul(a,w2)+b2) y=y*dif+nummin#反归一化 print("[18.3,17.4,16.7]输入下,预测气温为：",sess.run(y))