MLP Keras 预测的循环程序

Question

我（有点像初学者）在一个时间序列数据应用程序上尝试使用 Keras，我在其中创建了一个回归模型，然后将其保存到运行的另一个 Python 脚本中。

我正在处理的时间序列数据是每小时数据，我正在使用 Keras 中保存的模型来预测数据集中每个小时的值。（data = CSV 文件被读入 pandas）有了一年的时间序列数据，有 8760（一年中的几个小时）预测，最后我试图对预测值求和结束。

在下面的代码中，我没有展示模型架构是如何重新创建的（keras 要求保存模型）并且代码运行起来非常慢。这种方法对于 200 次预测似乎没问题，但对于 8760 次，代码似乎陷入了太多无法完成的困境。

我没有任何数据库方面的经验，但与在 Python 列表中存储 8760 个 keras 预测相比，这是更好的方法吗？感谢您提供的任何提示，我仍在学习中..

#set initial loop params & empty list to store modeled data
row_num = 0
total_estKwh = []


for i, row in data.iterrows():
    params = row.values

    if (params.ndim == 1):
        params = np.array([params])

    estimatedKwh = load_trained_model(weights_path).predict(params)

    print('Analyzing row number:', row_num)

    total_estKwh.append(estimatedKwh)

    row_num += 1


df = pd.DataFrame.from_records(total_estKwh)
total = df.sum()
totalStd = np.std(df.values)
totalMean = df.mean()

Answer 1

似乎你的生活非常没有明显的原因......

对于初学者，您不需要为每一行加载模型 - 这太过分了！您绝对应该将 load_trained_model(weights_path) 移出 for 循环的 ，例如

model = load_trained_model(weights_path)  # load ONCE

并将循环中的相应行替换为

estimatedKwh = model.predict(params)

其次，逐行调用模型进行预测同样效率不高；最好先将 params 准备为数组，然后将其提供给模型以获取批量预测。也忘记 print 语句..

总而言之，试试这个：

params_array = []

for i, row in data.iterrows():
    params = row.values

    if (params.ndim == 1):
        params = np.array([params])  # is this if really necessary??

    params_array.append(params)

params_array = np.asarray(params_array, dtype=np.float32)
total_estKwh = load_trained_model(weights_path).predict(params_array)


df = pd.DataFrame.from_records(total_estKwh)
total = df.sum()
totalStd = np.std(df.values)
totalMean = df.mean()

MLP Keras 预测的循环程序

looping program for MLP Keras prediction

python

regression

machine-learning

prediction

keras