Ch&agrave;o mừng c&aacute;c bạn quay trở lại với loạt b&agrave;i về&nbsp;<a href="../../../keras-co-ban-bat-dau-hoc-sau-voi-tf-keras/" target="_blank" rel="noopener">Keras Cơ Bản</a>&nbsp;của<a href="../../../" target="_blank" rel="noopener">&nbsp;tek4.vn</a>. Như ti&ecirc;u đề của b&agrave;i viết, trong b&agrave;i n&agrave;y ch&uacute;ng ta sẽ c&ugrave;ng nhau t&igrave;m hiểu về c&aacute;ch ph&aacute;t triển m&ocirc; h&igrave;nh mạng neural hồi quy. Bắt đầu th&ocirc;i!
Xem th&ecirc;m b&agrave;i viết trước:&nbsp;<a href="../../../phat-trien-mo-hinh-mang-neural-tich-chap-keras-co-ban/" target="_blank" rel="noopener">Ph&aacute;t Triển C&aacute;c M&ocirc; H&igrave;nh Mạng Neural T&iacute;ch Chập</a>
<img style="width: 100%;" src="../../../public_files/6e915d3d-47fd-494e-a007-21b7e9fd850b" alt="8" />
Mạng neural hồi quy &ndash; Recurrent Neural Networks hay viết tắt l&agrave; RNN, được thiết kế để hoạt động dựa tr&ecirc;n c&aacute;c chuỗi dữ liệu.
Ch&uacute;ng đ&atilde; được chứng minh l&agrave; rất hiệu quả đối với c&aacute;c vấn đề xử l&yacute; ng&ocirc;n ngữ tự nhi&ecirc;n trong đ&oacute; c&aacute;c chuỗi văn bản được cung cấp l&agrave;m đầu v&agrave;o cho m&ocirc; h&igrave;nh. RNN cũng đ&atilde; đạt được một số th&agrave;nh c&ocirc;ng khi&ecirc;m tốn đối với dự b&aacute;o chuỗi thời gian v&agrave; nhận dạng giọng n&oacute;i.
Loại RNN phổ biến nhất l&agrave; mạng Long Short-Term, gọi tắt l&agrave; LSTM. LSTM c&oacute; thể được sử dụng trong một m&ocirc; h&igrave;nh để chấp nhận một chuỗi dữ liệu đầu v&agrave;o v&agrave; đưa ra dự đo&aacute;n, chẳng hạn như g&aacute;n nh&atilde;n lớp hoặc dự đo&aacute;n một gi&aacute; trị số như gi&aacute; trị tiếp theo hoặc c&aacute;c gi&aacute; trị trong chuỗi.
Ch&uacute;ng ta sẽ sử dụng tập dữ liệu về doanh số b&aacute;n xe hơi để chứng minh một LSTM RNN cho dự b&aacute;o chuỗi thời gian đơn biến.
B&agrave;i to&aacute;n n&agrave;y li&ecirc;n quan đến việc dự đo&aacute;n số lượng xe b&aacute;n ra mỗi th&aacute;ng.
Tập dữ liệu sẽ được tải xuống tự động bằng Pandas, nhưng bạn c&oacute; thể t&igrave;m hiểu th&ecirc;m về tập dữ liệu tại đ&acirc;y.
<ul style="text-align: justify;">
<li><a href="https://raw.githubusercontent.com/jbrownlee/Datasets/master/monthly-car-sales.csv">Car Sales Dataset (csv)</a>.</li>
<li><a href="https://raw.githubusercontent.com/jbrownlee/Datasets/master/monthly-car-sales.names">Car Sales Dataset Description (csv)</a>.</li>
</ul>
Ch&uacute;ng ta sẽ giải quyết vấn đề để lấy dữ liệu của năm th&aacute;ng qua sau đ&oacute; dự đo&aacute;n dữ liệu của th&aacute;ng hiện tại.
Để đạt được điều n&agrave;y, ch&uacute;ng ta sẽ x&aacute;c định một h&agrave;m mới c&oacute; t&ecirc;n split_sequence() sẽ chia chuỗi đầu v&agrave;o th&agrave;nh c&aacute;c sequence into windows th&iacute;ch hợp để điều chỉnh m&ocirc; h&igrave;nh học c&oacute; gi&aacute;m s&aacute;t, như LSTM.
V&iacute; dụ: nếu tr&igrave;nh tự l&agrave;:
<pre class="language-python"><code>1, 2, 3, 4, 5, 6, 7, 8, 9, 10</code></pre>
Sau đ&oacute;, c&aacute;c mẫu để đ&agrave;o tạo m&ocirc; h&igrave;nh sẽ như sau:
<pre class="language-python"><code>Input 				Output
1, 2, 3, 4, 5 		6
2, 3, 4, 5, 6 		7
3, 4, 5, 6, 7 		8
...</code></pre>
Ch&uacute;ng ta sẽ sử dụng dữ liệu của 12 th&aacute;ng qua l&agrave;m tập dữ liệu thử nghiệm.
LSTM mong đợi mỗi mẫu trong tập dữ liệu c&oacute; hai dimensions. Đầu ti&ecirc;n l&agrave; số bước thời gian (trong trường hợp n&agrave;y l&agrave; 5) v&agrave; thứ hai l&agrave; số quan s&aacute;t tr&ecirc;n mỗi bước thời gian (trong trường hợp n&agrave;y l&agrave; 1).
Bởi v&igrave; n&oacute; l&agrave; một b&agrave;i to&aacute;n kiểu hồi quy, ch&uacute;ng ta sẽ sử dụng một h&agrave;m k&iacute;ch hoạt tuyến t&iacute;nh (kh&ocirc;ng c&oacute; h&agrave;m k&iacute;ch hoạt) trong lớp đầu ra v&agrave; tối ưu h&oacute;a h&agrave;m mất m&aacute;t mean squared error. Ch&uacute;ng ta cũng sẽ đ&aacute;nh gi&aacute; m&ocirc; h&igrave;nh bằng c&aacute;ch sử dụng mean absolute error (MAE).
Dưới đ&acirc;y l&agrave; v&iacute; dụ đầy đủ về việc điều chỉnh v&agrave; đ&aacute;nh gi&aacute; LSTM cho một b&agrave;i to&aacute;n dự b&aacute;o chuỗi thời gian đơn biến.
<pre class="language-python"><code># lstm for time series forecasting
from numpy import sqrt
from numpy import asarray
from pandas import read_csv
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import LSTM

# split a univariate sequence into samples
def split_sequence(sequence, n_steps):
 X, y = list(), list()
 for i in range(len(sequence)):
 # find the end of this pattern
 end_ix = i + n_steps
 # check if we are beyond the sequence
 if end_ix &amp;gt; len(sequence)-1:
 break
 # gather input and output parts of the pattern
 seq_x, seq_y = sequence[i:end_ix], sequence[end_ix]
 X.append(seq_x)
 y.append(seq_y)
 return asarray(X), asarray(y)

# load the dataset
path = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/monthly-car-sales.csv'
df = read_csv(path, header=0, index_col=0, squeeze=True)
# retrieve the values
values = df.values.astype('float32')
# specify the window size
n_steps = 5
# split into samples
X, y = split_sequence(values, n_steps)
# reshape into [samples, timesteps, features]
X = X.reshape((X.shape[0], X.shape[1], 1))
# split into train/test
n_test = 12
X_train, X_test, y_train, y_test = X[:-n_test], X[-n_test:], y[:-n_test], y[-n_test:]
print(X_train.shape, X_test.shape, y_train.shape, y_test.shape)
# define model
model = Sequential()
model.add(LSTM(100, activation='relu', kernel_initializer='he_normal', input_shape=(n_steps,1)))
model.add(Dense(50, activation='relu', kernel_initializer='he_normal'))
model.add(Dense(50, activation='relu', kernel_initializer='he_normal'))
model.add(Dense(1))
# compile the model
model.compile(optimizer='adam', loss='mse', metrics=['mae'])
# fit the model
model.fit(X_train, y_train, epochs=350, batch_size=32, verbose=2, validation_data=(X_test, y_test))
# evaluate the model
mse, mae = model.evaluate(X_test, y_test, verbose=0)
print('MSE: %.3f, RMSE: %.3f, MAE: %.3f' % (mse, sqrt(mse), mae))
# make a prediction
row = asarray([18024.0, 16722.0, 14385.0, 21342.0, 17180.0]).reshape((1, n_steps, 1))
yhat = model.predict(row)
print('Predicted: %.3f' % (yhat))</code></pre>
Chạy v&iacute; dụ trước ti&ecirc;n b&aacute;o c&aacute;o shape của tập dữ liệu, sau đ&oacute; fit m&ocirc; h&igrave;nh v&agrave; đ&aacute;nh gi&aacute; n&oacute; tr&ecirc;n tập dữ liệu thử nghiệm. Cuối c&ugrave;ng, một dự đo&aacute;n được đưa ra cho một h&agrave;ng dữ liệu.
Lưu &yacute;: Kết quả của bạn c&oacute; thể thay đổi do bản chất ngẫu nhi&ecirc;n của thuật to&aacute;n hoặc quy tr&igrave;nh đ&aacute;nh gi&aacute;, hoặc sự kh&aacute;c biệt về độ ch&iacute;nh x&aacute;c số. H&atilde;y xem x&eacute;t chạy v&iacute; dụ một v&agrave;i lần v&agrave; so s&aacute;nh kết quả trung b&igrave;nh.
Bạn nhận được kết quả g&igrave;?&nbsp;Bạn c&oacute; thể thay đổi m&ocirc; h&igrave;nh để l&agrave;m tốt hơn kh&ocirc;ng? H&atilde;y b&igrave;nh luận kết quả của bạn ở ph&iacute;a dưới b&agrave;i viết.
Đầu ti&ecirc;n shape của tập train v&agrave; test được hiển thị, x&aacute;c nhận rằng 12 v&iacute; dụ cuối c&ugrave;ng d&ugrave;ng để đ&aacute;nh gi&aacute; m&ocirc; h&igrave;nh.
Trong trường hợp n&agrave;y, m&ocirc; h&igrave;nh đ&atilde; đạt được MAE khoảng 2.800 v&agrave; dự đo&aacute;n gi&aacute; trị tiếp theo trong chuỗi từ bộ thử nghiệm l&agrave; 13.199, trong đ&oacute; gi&aacute; trị kỳ vọng l&agrave; 14.577 (kh&aacute; gần).
<pre class="language-python"><code>(91, 5, 1) (12, 5, 1) (91,) (12,)
MSE: 12755421.000, RMSE: 3571.473, MAE: 2856.084
Predicted: 13199.325</code></pre>
Lưu &yacute;: bạn n&ecirc;n chia tỷ lệ v&agrave; l&agrave;m cho chuỗi dữ liệu cố định trước khi fit m&ocirc; h&igrave;nh.
B&agrave;i viết tiếp theo:&nbsp;<a href="../../../cach-visualize-mot-mo-hinh-hoc-sau-keras-co-ban/" target="_blank" rel="noopener">C&aacute;ch Visualize một m&ocirc; h&igrave;nh học s&acirc;u</a>
&nbsp;
<hr />
Fanpage Facebook:&nbsp;<a href="https://www.facebook.com/tek4.vn/">TEK4.VN</a>&nbsp;
Tham gia cộng đồng để chia sẻ, trao đổi v&agrave; thảo luận:&nbsp;<a href="https://www.facebook.com/groups/tek4.vn/">TEK4.VN - Học Lập Tr&igrave;nh Miễn Ph&iacute;</a>
<div id="gtx-trans" style="position: absolute; left: 1137px; top: 2954.86px;">
<div class="gtx-trans-icon" style="text-align: justify;">&nbsp;</div>
</div>

Admin

Phát Triển Mô Hình Mạng Neural Hồi Quy – Keras Cơ Bản

Cùng tác giả

Admin

Có liên quan