さくら VPS LSTM 豪ドル/円予測
さくら VPS LSTM 豪ドル/円予測概要
ここまでで、
Python Colaboratory Ⅳ
LSTM(Long Short Term Memory)概要
～
LSTM 豪ドル/円４時間足予測ファイル動作結果後半
のなかで、LSTM 豪ドル/円予測についていろいろ説明してきました。
ここからは、これらをさくら VPS のなかに入れて動かしていきます。
RNN 豪ドル/円予測に関しては
RNN 豪ドル/円予測Ⅱ(最新)サイレント化ファイル keras-go-4.py
のなかでまとめています。
これを改造して、さくら VPS LSTM 豪ドル/円予測ファイル
keras-go-lstm.py
を作成していきます。
このファイルは
LSTM 豪ドル/円 予測ファイル
keras-go-lstm.ipynb
によく似ています。
keras-go-4.py ⇒ keras-go-lstm.py
RNN 豪ドル/円予測Ⅱ(最新)サイレント化ファイル
keras-go-4.py
を改造して
さくら VPS LSTM 豪ドル/円予測ファイル keras-go-lstm.py
を作成します。
改造に必要な部分はkeras-go-lstm.ipynb
から抽出します。
モデル変更
keras-go-4.py ではモデルは全結合モデルでした。
これを LSTM モデルに変更します。
inputs = keras.Input(shape=(sequence_length,))
x = layers.Flatten()(inputs)
x = layers.Dense(
20,
activation="tanh",
kernel_initializer='zeros'
)(x)
のように書いていました。
これを LSTM モデルに変更します。
このモデルの作り方については
LSTM(Long Short Term Memory)の実現
のところで詳しく説明しています。
上記を削除して下記のようにします。
inputs = keras.Input(shape=(sequence_length, 1)) x = layers.LSTM(20, kernel_initializer='zeros')(inputs)
モデル保存用ファイル名変更
ModelCheckpoint コ－ルバックで設定している
最も性能の良いモデルを保存する保存用ファイル名を
jena_dense.keras ⇒ jena_dense_go_lstm.keras
に変更します。
そして、引数 patience は LSTM の場合 2 では小さいようです。
今回は 6 にします。
callbacks_list = [
keras.callbacks.EarlyStopping(
monitor="val_loss",
patience=6,
),
keras.callbacks.ModelCheckpoint(
"/home/yamada/public_html/colab/jena_dense_go_lstm.keras",
save_best_only=True,
)
このファイルは predict メソッドを使用するときに呼び出すので
model = keras.models.load_model(
"/home/yamada/public_html/colab/jena_dense_go_lstm.keras")
とする必要があります。
動作結果ファイル名変更
予測チャ－トと予測値の保存ファイル名を変更します。
最後の部分に記述されています。
予測チャ－ト図
plt.savefig(
'/home/yamada/public_html/manep-img/mane_chart_go_lstm.png')
予測値 csv ファイル
df_concat.to_csv(
'/home/yamada/public_html/manep-img/mane_chart_go_lstm.csv',
header=False, index=False)
ここまでで改造すべきところは列挙できましたので
さくら VPS LSTM 豪ドル/円予測ファイル keras-go-lstm.py
をまとめます。