人工智能开发框架应用 课后练习题及答案 项目6

项目6基于LSTM实现股票价格预测一、简答题1.简述循环神经网络的应用场景。2）语音识别：循环神经网络在语音识别领域广泛应用。2.简述与传统循环神经网络相比，LSTM具有哪些优势。与传统的循环神经网络（RNN）相比，长短期记忆网络（LSTM）具有以下几个显著的优势：1）处理长期依赖性：LSTM通过引入门控机制，能够更好地处理长期依赖性，避免梯度消失和梯度爆炸问题，从而更有效地捕捉和利用时间序列中的长期依赖信息。2）LSTM中引入了输入门、遗忘门和输出门等门控结构，能够自适LSTM能够更好地保持和更新长期记忆，同时防止过度记忆或遗忘。4）LSTM通过遗忘门和输入门的控制，能够自适应地处理总之，相较于传统的循环神经网络，LSTM通过引入门控结构，能够更好地处理长期依二、实操题1.6.1、6.26.3LSTM模型实现股票价格预测模型的搭建和训练。6.1、6.26.3实施，核心代码如下：importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltimporttorchfromtorch.utils.dataimportDataset,DataLoaderimporttorch.nnasnnimportpickle#300DataFramedfdfpd.read_csv('../data/stock_price.csv')#构建数据集defgetData(df,column,train_end=-300,days_before=7,return_all=True,generate_index=False):'''读取原始数据，并生成训练样本df :原始数据column :要处理的列train_end :训练集的终点days_before :设置历史天数return_all :是否返回所有数据，默认generate_index :是否生成索引'''#datetimeindexdf['datetime'pd.to_datetime(df['datetime'])df=df.set_index('datetime')#生成仅包括column属性列的数据集series=df[column].copy()#划分数据为训练数据和测试数据train_series,test_series=series[:train_end],series[train_end-days_before:]#创建训练集train_data=pd.DataFrame()#通过滑动窗口，创建历史天数days_before天的数据foriinrange(days_before):#设置滑动窗口大小为7，步长为1，构建训练样本#c%d'%i为c开头的列标题，如c0、c1train_data['c%d'%i]=train_series.tolist()[i:-days_before+i]#获取对应的标签train_data['y']=train_series.tolist()[days_before:]#是否生成indexifgenerate_index:train_data.index=train_series.index[n:]ifreturn_all:returntrain_data,series,df.index.tolist()returntrain_data#调用getData函数，生成训练集、数据集及其索引train_data,all_series,df_index=getData(df,'high')#将数据集all_series转为numpy.ndarray类型all_series=np.array(all_series.tolist())#绘制沪深300指数原始数据的股票价格变化曲线plt.figure(figsize=(12,6))plt.plot(df_index,all_series,label='沪深300指数原始数据')plt.legend()plt.show()#定义数据集类classTrainSet(Dataset):definit(selfdata): #data#data取当天的前7天的数据，label取当天的数据self.data,self.label=data[:,:-1].float(),data[:,-1].float()defgetitem(self,index):returnself.data[index],self.label[index]”””

deflen(self):returnlen(self.data)数据归一化处理”””#将train_data转为numpy.array类型train_data_numpy=np.array(train_data)#计算数据集的平均值train_mean=np.mean(train_data_numpy)#计算均方误差train_std =np.std(train_data_numpy)#进行归一化处理train_data_numpy=(train_data_numpy-train_mean)/train_std#将train_data_numpy转为Tensor对象train_data_tensor=torch.Tensor(train_data_numpy)#创建数据集对象train_set=TrainSet(train_data_tensor)#创建Dataloader对象，对数据集对象进行加载train_loader=DataLoader(train_set,batch_size=10,shuffle=True)#LSTM网络类classLSTM(nn.Module):#构造方法初始化definit(self):super(LSTM,self).init()#定义LSTM网络self.lstm=nn.LSTM(input_size=1,hidden_size=64,num_layers=1,batch_first=True)#设置全连接输出层self.out=nn.Sequential(nn.Linear(64,1))#定义前向传播的计算过程defforward(self,x):#调用self.lstm构建LSTM网络#None表示LSMT隐藏层的初始参数h_0和c_0为全0的向量#h_n,c_n分别表示每层最后一个时间步的输出#r_out表示最后一层，每个时间步的输出hr_out,(h_n,c_n)=self.lstm(x,None)#取最后一天股票价格作为输出out=self.out(r_out[:,-1,:])returnout#创建LSTM实例lstm=LSTM()iftorch.cuda.is_available():lstm=lstm.cuda()#设置训练参数LR0.0001 #学习率EPOCH100 #训练次数#定义优化器为Adamoptimizer=torch.optim.Adam(lstm.parameters(),lr=LR)#定义损失函数为均方误差损失函数MSELossloss_func=nn.MSELoss()#在训练集上，进行EPOCH次训练forstepinrange(EPOCH):fortx,tyintrain_loader:#如果GPU可用，则将训练数据加载到GPU上iftorch.cuda.is_available():tx=tx.cuda()ty=ty.cuda()#语句1使用LSTM网络进行股票价格预测output=lstm(torch.unsqueeze(tx,dim=2))#语句2计算预测值与真实值之间的均方误差损失loss=loss_func(torch.squeeze(output),ty)#网络参数的梯度清