Python 基于GPU的慢张量流训练与评价
所以我正在做一些研究，有很多关于两个人一起在一个房间里移动物体的速度和加速度数据。在此之前，我已经使用LSTM和RNN成功地训练了一个时间序列预测神经网络，以预测未来一个时间步内物体的速度 训练完这个神经网络后，我对它进行了扩充，使用预测和以前的数据，预测未来的另一个时间步，依此类推一定数量的时间步。我已经包括了一张这是什么样子的图片。基本上，我使用以前的数据（大小为N个时间步乘以M个输入）预测一个步骤，然后将此预测添加到输入的末尾，删除输入的第一个时间步（以保持大小为nx M），然后再次训练下一个时间步，直到我有P个未来预测与测量数据进行比较 这是我的变量Python 基于GPU的慢张量流训练与评价,python,tensorflow,gpu,evaluation,Python,Tensorflow,Gpu,Evaluation,所以我正在做一些研究，有很多关于两个人一起在一个房间里移动物体的速度和加速度数据。在此之前，我已经使用LSTM和RNN成功地训练了一个时间序列预测神经网络，以预测未来一个时间步内物体的速度 训练完这个神经网络后，我对它进行了扩充，使用预测和以前的数据，预测未来的另一个时间步，依此类推一定数量的时间步。我已经包括了一张这是什么样子的图片。基本上，我使用以前的数据（大小为N个时间步乘以M个输入）预测一个步骤，然后将此预测添加到输入的末尾，删除输入的第一个时间步（以保持大小为nx M），然后再次训练下
x = tf.placeholder(tf.float32,[None, n_steps, n_inputs])
y = tf.placeholder(tf.float32,[None, n_outputs])
W = {'hidden': tf.Variable(tf.random_normal([n_inputs, n_nodes])),
'output': tf.Variable(tf.random_normal([n_nodes,n_outputs]))}
bias = {'hidden': tf.Variable(tf.random_normal([n_nodes],mean= 1.0)),
'output': tf.Variable(tf.random_normal([n_outputs]))
def model(x,y,W,bias):
x = tf.transpose(x,[1,0,2])
x = tf.reshape(x,[-1,n_inputs])
x = tf.nn.relu(tf.matmul(x,W['hidden']) + bias['hidden'])
x = tf.split(x,n_steps,0)
cells = []
for _ in xrange(n_layers):
lstm_cell = rnn.BasicLSTMCell(n_nodes, forget_bias = 1.0, state_is_tuple = True)
cells.append(lstm_cell)
lstm_cells = rnn.MultiRNNCell(cells,state_is_tuple = True)
outputs,states = rnn.static_rnn(lstm_cells, x, dtype = tf.float32)
output = outputs[-1]
return tf.matmul(output, W['output') + bias['output']