GRU神经网络 Python代码

基于Keras的GRU神经网络实现 Python编写 可以直接运行得到结果

# -*- coding: utf-8 -*-
“““
Created on Wed Aug  2 14:19:58 2017

@author: 璐
“““

# -*- coding: utf-8 -*-
“““
Created on Sun Jul  9 18:07:53 2017

@author: 璐
“““

# -*- coding:utf-8 -*-
‘‘‘
We can also phrase the problem so that multiple recent time steps can be 
used to make the prediction for the next time step.

This is called a window and the size of the window 
is a parameter that can be tuned for each problem.

For example given the current time （t） we want to predict 
the value at the next time in the sequence （t+1） we can use the current time （t） 
as well as the two prior times （t-1 and t-2） as input variables.

When phrased as a regression problem the input 
variables are t-2 t-1 t and the output variable is t+1.

The create_dataset（） function we created in the previous section allows 
us to create this formulation of the time series problem 
by increasing the look_back argument from 1 to 3.d
‘‘‘
#用import或者from import导入相关模块；numpy用来存储和处理大型矩阵
#pandas结构化数据的输入与输出
#import time
import numpy as np
import pandas as pd
import math
#Sequential多个网络层的线性堆叠；Dense隐含层
from keras.models import Sequential
from keras.layers import Dense
#from keras.layers import LSTM
#from keras.layers import SimpleRNN
from keras.layers import GRU
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error mean_absolute_error
#from sklearn.metrics import mean_squared_errormean_absolute_error
#from keras import initializers
# record running time/记录时间

    
# convert an array of values into a dataset matrix
def create_dataset（dataset look_back）:
    dataX dataY = [] []
    for i in range（len（dataset）-look_back）:
        a = dataset[i:（i+look_back） 0]
#append向列表的尾部增加元素
        dataX.append（a）
        dataY.append（dataset[i + look_back 0]）
    return np.array（dataX） np.array（dataY）

# fix random seed for reproducibility
#seed用于指定随机数生成时所用算法开始的整数值
np.random.seed（7）
# load the dataset/下载数据集 
#usecols获取数据的列，如果取前4列，则usecols=（0123）
#print（XXXX）
dataframe = pd.read_csv（r‘nn.csv‘ \
                     usecols=[0] engine=‘python‘）
dataset = dataframe.values
dataset = dataset.astype（‘float32‘）
# normalize the dataset/标准化数据集 
scaler = MinMaxScaler（feature_range=（0 1））
dataset = scaler.fit_transform（dataset）

# split into train and test sets/分割训练集与测试集 
    #train_size = int（len（dataset） * 0.84）
       
vsize=18;
train_size = len（dataset）-vsize-18;
#print（train_size ）
   # test_size = len（dataset） - train_size
look_back =10
train test pred = dataset[0:train_size:] dataset[train_size-look_back:train_size+vsize:] \
                         dataset[train_size+vsize-look_back:len（dataset）:]
# dataset detail/具体分割后数据集
trainX trainY = create_dataset（train look_back）
testX testY = create_dataset（test look_back）
predX predY = create_dataset（pred look_back）
# reshape input to be [samples feature_num features]

trainX = np.reshape（trainX （

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        5450  2019-02-21 20:59  GRU\12.xlsx
     文件        6028  2019-02-21 21:00  GRU\GRU.py
     文件         852  2018-01-28 10:26  GRU\nn.csv
     目录           0  2019-02-21 20:59  GRU\