基于TensorFlow实现的以多维特征输入的RNNLSTM工程

本工程为基于TensorFlow实现的以多维特征作为输入且输出同样为多维的RNN（LSTM）模型。

#coding=utf-8

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
import itertools
import csv

def sub_list（list1list2）:
    num1 = len（list1）
    num2 = len（list2）
    list3 = []
    if num1 == num2:
        for i in range（num1）:
            list3.append（（list1[i]） - int（list2[i]））
        return list3
    else:
        print（‘列表1长度 =‘ num1）
        print（‘列表2长度 =‘ num2）
        print（‘列表长度不相同，无法相加‘）
        return -1

#获取训练集
def get_train_data（batch_size=60time_step=20train_begin=0train_end=90）:
    batch_index=[]
    data_train=data[train_begin:train_end]
    #normalized_train_data=（data_train-np.mean（data_trainaxis=0））/np.std（data_trainaxis=0）  #标准化
    normalized_train_data=data_train
    train_xtrain_y=[][]   #训练集
    for i in range（len（normalized_train_data）-time_step）:
       if i % batch_size==0:
           batch_index.append（i）
       x=normalized_train_data[i:i+time_step:input_size]
       y=normalized_train_data[i:i+time_stepinput_size:]
       train_x.append（x.tolist（））
       train_y.append（y.tolist（））
    batch_index.append（（len（normalized_train_data）-time_step））
    return batch_indextrain_xtrain_y

#获取测试集
def get_test_data（time_step=20test_begin=5800）:
    print（‘time_step is ‘ time_step）
    print（‘train_end is ‘ train_end）
    data_test=data[train_end:]
    normalized_test_data = data_test
    print（‘normalized_test_data len is‘len（normalized_test_data））
    #mean=np.mean（data_testaxis=0）
    #std=np.std（data_testaxis=0）
    #normalized_test_data=（data_test-mean）/std  #标准化
    size=（len（normalized_test_data）+time_step-1）//time_step  #有size个sample
    print（‘size is ‘ size）
    test_xtest_y=[][]
    for i in range（size-1）:
        x=normalized_test_data[i*time_step:（i+1）*time_step:input_size]
        y=normalized_test_data[i*time_step:（i+1）*time_stepinput_size:]
        test_x.append（x.tolist（））
        test_y.extend（y.tolist（））
    test_x.append（（normalized_test_data[（i+1）*time_step::input_size:]）.tolist（））
    test_y.extend（（normalized_test_data[（i+1）*time_step:input_size:]）.tolist（））

    ‘‘‘
    print（‘test_x len is‘len（test_x））
    print（‘test_x[7] len is‘len（test_x[7]））
    print（‘test_x[0][0] len is‘ len（test_x[0][0]））
    print（‘test_y len is‘len（test_y））
    print（‘test_y[0] len is‘ len（test_y[0]））
    print（‘len（test_y）/output_size is ‘len（test_y）/output_size）
    print（test_y）
    exit（）
    ‘‘‘
    #return meanstdtest_xtest_y
    return test_x test_y

# ——————————————————定义神经网络变量——————————————————
def lstm（X）:
    batch_size = tf.shape（X）[0]
    time_step = tf.shape（X）[1]
    w_in = weights[‘in‘]
    b_in = biases[‘in‘]
    input = tf.reshape（X [-1 input_size]）  # 需要将tensor转成2维进行计算，计算后的结果作为隐藏层的输入
    input_rnn = tf.matmul（input w_in） + b_in
    input_rnn = tf.reshape（input_rnn [-1 time_step rnn_unit]）  # 将tensor转成3维，作为lstm cell的输入
    cell = tf.nn.rn

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件     463838  2018-08-03 15:41  TF_RNN（LSTM）\data.csv

     文件      12216  2018-08-03 15:30  TF_RNN（LSTM）\readme_lyy.docx

     文件       9975  2018-08-03 15:43  TF_RNN（LSTM）\RNN.py

     目录          0  2018-08-03 15:44  TF_RNN（LSTM）

----------- ---------  ---------- -----  ----

               486029                    4