基于LSTM的不同数据集循环与预测

问题描述

我从事Keras和LSTM已经有一段时间了，但仍然相当新。

我遇到一个问题，每次使用keras LSTM进行训练和预测时，我都需要重新启动Jupyter Notebook。

当我需要使用相同的LSTM模型设置使用不同的数据集循环多个预测时，这会出现问题。

另一种方法是逐个数据集训练和预测数据集，每次预测完成后都重新启动并运行，这将是一个非常乏味的过程。

例如：

for i in ...: # Loop for different data set

    ...

    # Create LSTM Model
    model = Sequential()
    model.add(LSTM(units=32,
                   activation='relu',
                   batch_input_shape=(1, timestep_n, feature_n),
                   return_sequences=True))
    model.add(Dense(units=1, 
                    activation='relu'))
    model.compile(loss='mean_squared_error', optimizer=adam, metrics=['accuracy'])
    ...

    # Train Model
    model.fit(x, y, epochs=100)

    ...

    # Predict
    result = model.predict(x_p)

    # End Loop for next data set

在创建每个培训模型之前，我已尝试清除会话，但预测值与我运行单个培训和预测时不同。

    session = tf.get_default_session()
    if session is not None:
        session.close()
    K.clear_session()
    gc.collect()

我还使用了随机种子，希望每次运行都能获得相同的值。以保持一致性。

    SEED = 1
    np.random.seed(SEED)
    tf.set_random_seed(SEED)
    random.seed(SEED)

我在考虑在每个循环中声明/创建一个"新的"LSTM模型来预测不同数据集的值，而不必手动重新启动笔记本并为每个数据集运行。

即使我在循环结束时执行del model，不知何故也无法正确清除内存。

有人能帮忙吗？

---

解决方案

您从中得到了什么：

for i in ...: # Loop for different data set

...

model = None
# Create LSTM Model
model = Sequential()
...