深度学习基础与实践 教案8.5任务实施（操作参考）.docx

8.5任务实施

8.5.1任务书

本任务预测国际航空乘客所使用的神经网络为LSTM，主要是解决长序列训练过程中的梯度消失和梯度爆炸问题。操作要求：读取准备好的国际航空乘客数量数据；对数据进行预处理；对现有的国际航空乘客建立LSTM神经网络；进行预测；输出预测结果；预测结果与实际结果对比图。

8.5.2任务分组

表8-2学生任务分配表

班级

组号

指导老师

组长

学号

成员数量

组长任务

组长得分

组员姓名

学号

任务分工

组员得分

8.5.3获取信息

引导问题1：了解关于时间序列问题可应用的场景还有哪些。

深度学习中的时间序列可以应用于以下场景：

1.语音识别：语音是一种时间序列信号，深度学习中的循环神经网络（RNN）可以用于语音信号的特征提取和语音识别任务。

2.自然语言处理：文本也可以看作是一个时间序列，深度学习中的RNN和长短时记忆网络（LSTM）可以用于文本分类、机器翻译等任务。

3.信号处理：信号处理涉及到时间序列数据的分析和处理，包括图像处理、音频处理和视频处理等领域。

4.金融市场预测：深度学习中的RNN和卷积神经网络（CNN）可以用于预测股票价格、汇率、商品价格等金融市场指标。

5.医疗健康：深度学习中的RNN可以用于病人的疾病预测和诊断，还可以用于心电图和脑电图等医疗信号的分析和处理。

6.动态系统建模：深度学习中的RNN和LSTM可以用于模拟和预测动态系统的演化，如天气模拟、气候模拟和交通流量模拟等。

总之，深度学习中的时间序列可以应用于很多领域，帮助人们更好地理解和预测时间相关的数据，并提高各种任务的准确性和效率。

引导问题2：回忆LSTM结构的三个控制门是如何实现的，并思考为什么能解决RNN梯度消失的问题？

LSTM（长短时记忆）结构包含三个控制门：遗忘门、输入门和输出门。

遗忘门是一个Sigmoid函数，它决定了哪些信息要被保留，哪些信息应该被遗忘。输入门也是一个Sigmoid函数，它确定哪些信息需要更新到细胞状态中。输出门是另一个Sigmoid函数，它确定了哪些信息来自细胞状态需要传递到输出。

LSTM通过引入这些控制门来解决RNN的梯度消失问题。在传统的RNN中，反向传播算法会导致梯度消失或梯度爆炸的问题，因为根据链式法则，每一层的梯度都需要乘以来自更深层的梯度。在LSTM中，控制门可以让模型更加有效地决定哪些信息需要保留和更新，从而减轻了梯度消失和梯度爆炸的问题。此外，LSTM还可以防止长序列中的信息丢失，使得模型能够更好地处理长期依赖性。

8.5.4工作实施

引导问题3：请按照下面的实验步骤完成创建实验检测路径、文件和数据集的操作。

（1）创建实验检测路径。在实验环境的桌面右键单击“创建文件夹(F)…”，输入文件夹名称为“test9”，后期所有项目文件都将保存至该文件夹。

（2）创建实验文件和数据集。运行Pycharm软件，打开“test9”项目文件夹并在文件夹下创建“LSTM_pre_airplanpath.py”文件。将数据集文件international-airline-passengers.csv存放到“test9”文件夹中，如图8-30所示。

图8-30实验文件和数据集

引导问题4：请在“LSTM_pre_airplanpath.py”文件中编辑代码，实现引用包的导入：导入处理数据的numpy包和pandas包，导入人工神经网络的相关包pytorch，最后导入生成图像的包，请完成横线处对代码的注释。

导入引用包的具体操作代码：

importnumpyasnp

importpandasaspd

importmatplotlib.pyplotasplt#导入matplotlib的pyplot子库，命名为plt

importtorch#导入PyTorch库中的函数和类

fromtorchimportnn#导入torch.nn模块用于构建神经网络模型

fromtorch.autogradimportVariable#导入torch.autograd中Variable模块

torch.tensor

引导问题5.请在“LSTM_pre_airplanpath.py”文件中编辑代码，实现数据的预处理，请完成横线处补充完成代码或对代码注释。

预处理数据的具体操作代码：

data_csv=pd.read_csv(./international-airline-passengers.csv,usecols=[1])#读入数据

#读取完数据后，清洗掉有缺失的数据，然后读取