Python Colaboratory

ModelCheckpoint コ－ルバック確認

ModelCheckpoint コ－ルバックを使って最も性能の良いモデルを保存したはずなのでその内容を確認していきます。
保存してある最も性能の良いモデルを呼び出します。
ファイル名は jena_dense.keras
保存フォルダは Google ドライブ \Colab Notebooks の中の \my_data でした。

   
model = keras.models.load_model(
  "drive/MyDrive/Colab Notebooks/my_data/jena_dense.keras")

predict メソッド

predict メソッドを使い、これに TensorFlow の Dataset オブジェクトを指定すると最も性能の良いモデルを使用して予測値が含まれた NumPy 配列を返してくれます。
ただし、この配列は
[[-1.4902422]
[-1.3825781]
･････
[-1.3505987]]
の様な縦型の配列になっています。
３種の timeseries_dataset デ－タを作成のなかで、
テストデ－タセット test_dataset
を作成しました。
これを predict メソッドに入れて、予測値を求めることにします。
pre = model.predict(test_dataset)
これを横型の配列にして見やすくします、他に目的はありません。
縦型縦ベクトルの配列に対して reshape(-1)とすると、その配列を要素とする横型横ベクトルの配列となります。
pre1 = np.reshape(pre, (-1))
print(f"Test 予測値:")
print(pre1)
pre1 の内容を見ると、予測値とは言うものの、最後の値以外は、 train_dataset の目的値 targets とほぼ同じ値が確認できるだけです。
何のことはない、やっと１つ先の予測値がわかっただけです。

５つ先の予測値

５つ先までの予測値を求めます。
test_dataset の最後の配列を future_test とします。
future_test = inputs_t[-1:]
inputs_t については各デ－タセットの内容表示/テストデ－タセット表示を参照してください。
これは 20個のデ－タから構成されており、以下のようになっています。

  
tf.Tensor(
[[-1.27605491 -0.93608776 -0.59612061 -0.25615346  0.08381368  0.42378083
   0.76374798  1.10371513  1.44368227  1.78364942  1.44368227  1.10371513
   0.76374798  0.42378083  0.08381368 -0.25615346 -0.59612061 -0.93608776
  -1.27605491 -1.58202534]], shape=(1, 20), dtype=float64)

そして、future_result は空にしておきます。
future_result = []

それではル－プ５回まわしで予測値を求めます。

for 文作成
５回まわす for 文を作成します。
for i in range(5):
future_test 配列形状変換
future_test 配列を shape=(1, 20, 1) の形状に変換し
test_data_f = np.reshape(future_test, (1, 20, 1))
とします。
test_data_f は test_dataset と同じ配列形状になりました。
１つ先を予測
１つ先の予測値 batch_predict を求めます。
batch_predict = model.predict(test_data_f)
最も古いデ－タ削除
20個のデ－タのなかで最も古いデ－タを削除します。
future_test = np.delete(future_test, 0)
１個減って future_test は 19個となりました。
予測したデ－タ追加
新たに予測した batch_predict を future_test の最後に追加します。
１個増えて future_test は 20個に戻りました。
future_test = np.append(future_test, batch_predict)
予測値を予測結果配列に追加
予測したデ－タ batch_predict を予測結果配列 future_result に追加します。
future_result = np.append(future_result, batch_predict)

ここまでをまとめると次のようになります。
colab-21 まとめ

model = keras.models.load_model(
  "drive/MyDrive/Colab Notebooks/my_data/jena_dense.keras")
pre = model.predict(test_dataset)
pre1 = np.reshape(pre, (-1))
print(f"Test 予測値:")
print(pre1)

future_test = inputs_t[-1:]
print(future_test)
future_result = []
for i in range(5):
  test_data_f = np.reshape(future_test, (1, 20, 1))
  batch_predict = model.predict(test_data_f)
  future_test = np.delete(future_test, 0)
  future_test = np.append(future_test, batch_predict)
  future_result = np.append(future_result, batch_predict)
print("future_result :")
print(future_result)

予測値プロット

テストデ－タセット test_dataset を使って予測し、さらにその５つ先まで予測しました。
これらの値をプロットし、見える化します。
test_dataset を使用した予測値 pre はすでに計算済ですが、プロットしようとする X軸の値がまだ明確になっていません。
pre の表示位置配列 xx1 を設定します。
今回使用しているデ－タ(サンプル個数) raw_data の総数は 101個(0～100)でした。
test_dataset による最初の予測値は、
sequence_length (20個 0～19番目)のデ－タから予測しますので、20番目の位置にプロットされるべきです。
そして、 test_dataset による最後の予測値は、
sequence_length (20個 80～100番目)のデ－タから予測しますので、101番目の位置にプロットされるべきです。
これをコ－ド化すると
len_raw_data = len(raw_data)
xx1 = np.arange(sequence_length, len_raw_data + 1)
結果は、
array([20,21,22,････,100,101])
となります。
--終点は (101+1)-1 となることに注意--

ここまでで、予測値プロットの準備ができました。
続いて５つ先までの予測値 future_result をプロットします。