目的：通过一段时间的数据，预测后面一段时间的类别，比如输入数据是1-50步的变量，预测的是50-60步的类别。

输入变量的数目：15

预测的类别数：0,1,2,3,4,10 （1类数目最多，数据不均衡）

GRU模型参数解释：

参考链接：[Pytorch系列-54]：循环神经网络 - torch.nn.GRU（）参数详解_文火冰糖的硅基工坊的博客-CSDN博客_nn.gru参数

input_size: 输入序列的变量的数目。

hidden_size: 隐藏层的特征的数目。

num_layers: GRU层的数目。

bias：是否需要偏置，默认是True（需要）。

batch_first: 用于确定batch size是否需要放到输入输出数据形状的最前面。

若为True，则输入、输出的tensor的格式为(batch， seq_len， feature)

若为False，则输入、输出的tensor的格式为(seq_len，batch，feature)

默认是False。

为什么需要该参数呢？

在CNN网络和全连接网络，batch通常位于输入数据形状的最前面。

而对于具有时间信息的序列化数据，通常需要把seq放在最前面，需要把序列数据串行地输入网络中。（那我的模型不能设置为True？？？）

seq_len: 输入序列的长度。在我的情形下可以为50。

搭建GRU网络：

参考链接：pytorch使用torch.nn.Sequential快速搭建神经网络 - pytorch中文网

self.gru = nn.GRU(self.input_size, self.hidden_size, self.num_layers, batch_first=True, dropout=self.dropout)
self.fc = nn.Sequential(nn.Linear(self.hidden_size, self.output_size), nn.Sigmoid())

self.gru = torch.nn.GRU(self.input_size, self.hidden_size, self.num_layers, batch_first=True)
self.fc1 = torch.nn.Linear(self.hidden_size, 4)
self.fc2 = torch.nn.Linear(self.hidden_size, 4)
self.fc3 = torch.nn.Linear(self.hidden_size, 4)
self.fc4 = torch.nn.Linear(self.hidden_size, 4)
self.fc5 = torch.nn.Linear(self.hidden_size, 4)
self.softmax = torch.nn.Softmax(dim=1)

nn.Sequential：是一个Sequential容器，模块将按照构造函数中传递的顺序添加到模块中。另外，也可以传入一个有序模块。使用torch.nn.Sequential会自动加入激励函数。

torch.nn.Sequential与torch.nn.Module区别与选择

使用torch.nn.Module，我们可以根据自己的需求改变传播过程，如RNN等
如果你需要快速构建或者不需要过多的过程，直接使用torch.nn.Sequential即可

nn.Linear(input_dim, output_dim)

torch.nn.Softmax(dim=1)

参考链接: torch.nn.Softmax_CtrlZ1的博客-CSDN博客_torch.nn.softmax

tensor([[0.3458, 0.0596, 0.5147],

[0.3774, 0.7503, 0.3705],

[0.2768, 0.1901, 0.1148]])

dim=0表示对于第一个维度的对应下标之和是1, 即0.3458+0.3774+0.2768=1、0.0596+0.7503+0.1901=1。

tensor([[0.3381, 0.1048, 0.5572],

[0.1766, 0.6315, 0.1919],

[0.3711, 0.4586, 0.1704]])

dim=1表示对于第二维度而言，对应下标之和为1，0.3381+0.1048+0.5572=1, 0.1766+0.6315+0.1919=1，即所有列的对应下标之和为1。

一些报错记录：

1. 计算交叉熵损失使用的output必须是softmax输出的概率而不是argmax之后得到的类别。

RuntimeError: Expected floating point type for target with class probabilities, got Long

语义分割损失函数系列(1):交叉熵损失函数_spectrelwf的博客-CSDN博客_语义分割交叉熵

2. 加载生成训练数据集的时候报错。

Ran out of input

python报错Ran out of input_在上树的路上的博客-CSDN博客

因为生成的数据集太大了，要减少数据集。（The actually error is OverflowError: cannot serialize a bytes object larger than 4 GiB. You have to reduce the size of the input.）

3. 输入张量和隐藏张量不在一个device上。

h_0 = torch.zeros(self.num_layers, batch_size, self.hidden_size)

Input and hidden tensors are not at the same device, found input tensor at cuda:0 and hidden tensor at cpu

h_0 = torch.zeros(self.num_layers, batch_size, self.hidden_size).to(Train.device)

Input and hidden tensors are not at the same device, found input tensor at cpu and
and hidden tensor at cuda:0

解决方法：

output, _ = self.gru(input_seq.to(Train.device), h_0)

（input_seq后面加上to(Train.device)）

4. 预测和真实标签长度不一致。

报错：Found input variables with inconsistent numbers of samples

y_true.shape

y_predict.shape

查看真实值和预测值的形状。

GRU时间序列数据分类预测相关推荐

分类预测 | MATLAB实现WOA-CNN-GRU鲸鱼算法优化卷积门控循环单元数据分类预测
分类预测 | MATLAB实现WOA-CNN-GRU鲸鱼算法优化卷积门控循环单元数据分类预测分类效果基本描述 1.Matlab实现WOA-CNN-GRU多特征分类预测,多特征输入模型,运行环境Ma ...
深度学习时间序列预测：卷积神经网络（CNN）算法构建单变量时间序列预测模型预测空气质量（PM2.5）+代码实战
深度学习时间序列预测:卷积神经网络(CNN)算法构建单变量时间序列预测模型预测空气质量(PM2.5)+代码实战神经网络(neual networks)是人工智能研究领域的一部分,当前最流行的神经网络 ...
时间序列挖掘-预测算法-三次指数平滑法(Holt-Winters)——三次指数平滑算法可以很好的保存时间序列数据的趋势和季节性信息...
from:http://www.cnblogs.com/kemaswill/archive/2013/04/01/2993583.html 在时间序列中,我们需要基于该时间序列当前已有的数据来预测其在 ...
Keras之MLPR：利用MLPR算法(3to1【窗口法】+【Input(3)→(12+8)(relu)→O(mse)】)实现根据历史航空旅客数量数据集(时间序列数据)预测下月乘客数量问题
Keras之MLPR:利用MLPR算法(3to1[窗口法]+[Input(3)→(12+8)(relu)→O(mse)])实现根据历史航空旅客数量数据集(时间序列数据)预测下月乘客数量问题目录输出 ...
Keras之MLPR：利用MLPR算法(1to1+【Input(1)→8(relu)→O(mse)】)实现根据历史航空旅客数量数据集(时间序列数据)预测下月乘客数量问题
Keras之MLPR:利用MLPR算法(1to1+[Input(1)→8(relu)→O(mse)])实现根据历史航空旅客数量数据集(时间序列数据)预测下月乘客数量问题目录输出结果设计思路实现 ...
keras时间序列数据预测_使用Keras的时间序列数据中的异常检测
keras时间序列数据预测 Anomaly Detection in time series data provides e-commerce companies, finances the insi ...
java三次指数平滑_时间序列挖掘-预测算法-三次指数平滑法(Holt-Winters)
所有移动平均法都存在很多问题. 它们都太难计算了.每个点的计算都让你绞尽脑汁.而且也不能通过之前的计算结果推算出加权移动平均值. 移动平均值永远不可能应用于现有的数据集边缘的数据,因为它们的窗口宽度是 ...
python学习日志3--ARIMA时间序列模型预测
前言这篇文章主要讲述如何使用python实现时间序列ARIMA预测算法一.代码代码如下(示例): #跟着视频学习的代码,记录一下. import numpy as np import panda ...
时间序列模型预测_时间序列预测，使用facebook先知模型预测股价
时间序列模型预测 1.简介 (1. Introduction) 1.1. 时间序列和预测模型 (1.1. Time-series & forecasting models) Tradition ...

GRU时间序列数据分类预测

GRU模型参数解释：

搭建GRU网络：

torch.nn.Sequential与torch.nn.Module区别与选择

一些报错记录：

GRU时间序列数据分类预测相关推荐

最新文章

热门文章