用于 MLP Keras 预测的循环程序答案

【问题标题】：looping program for MLP Keras prediction用于 MLP Keras 预测的循环程序
【发布时间】：2019-08-19 21:55:51
【问题描述】：

我（有点像初学者）在一个时间序列数据应用程序上试验 Keras，我在其中创建了一个回归模型，然后将其保存以在不同的 Python 脚本上运行。

我正在处理的时间序列数据是每小时数据，我使用 Keras 中保存的模型来预测数据集中每小时的值。（data = CSV 文件被读入 pandas）拥有多年的时间序列数据，有 8760 个（一年中的小时）预测，最后我试图在最后总结预测的值。

在下面的代码中，我没有展示如何重新创建模型架构（保存模型的 keras 要求），并且代码的运行速度非常慢。这种方法对于 200 次以下的预测似乎很好，但对于 8760 来说，代码似乎停滞不前，无法完成。

我对数据库没有任何经验，但与将 8760 个 keras 预测存储在 Python 列表中相比，这会是更好的方法吗？感谢您提供的任何提示，我仍在学习曲线中..

#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()

【问题讨论】：

标签： machine-learning python keras regression prediction

【解决方案1】：

似乎你让你的生活变得非常很困难，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) out 移出 for 循环，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再次效率不高；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。忘记print 声明，太..

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()

【讨论】：