做网站如何防止被坑,房地产营销策略有哪些,怎样制作3d立体效果图,linux vps wordpress背景 拍摄APP项目上线有一阵了#xff0c;每天的拍摄数据呈现波动上升状态、业务方需要对数据进行加工#xff0c;如果能有对未来的数据量的预测就好了 。
目标 在端侧展示拍摄数据可视化趋势图等、并能推断数据#xff08;选择预测日期#xff09; 简单实现个demo gif背…背景 拍摄APP项目上线有一阵了每天的拍摄数据呈现波动上升状态、业务方需要对数据进行加工如果能有对未来的数据量的预测就好了 。
目标 在端侧展示拍摄数据可视化趋势图等、并能推断数据选择预测日期 简单实现个demo gif背景有点问题 先写总结 现在来看、出来的东西很简单但是整个流程时串通起来了。至于什么是tensorflow lite 初识TensorFlow Lite -CSDN博客 总体流程图是这样的 从左侧的数据来源开始、到tensorflow 模型训练 到云上、动态下发、再到预测数据。生产数据的 再次收集数据运行的全流程正循环。 模型训练在本篇下方 其他后续写 一.数据处理 数据来源 目前只有日志数据 以单个数据为维度的 2023年x月x日 张某 所属部门 拍摄时间 等数据 数据预处理 通过pyhton 统计当日共拍摄多少套、都属于哪个部门 数据清洗 去除前三天刚上线数据不准、和当日的数据未统计完全等特殊数据 数据分析、抽取 根据数据判断 不光跟当日部门数、时间、还有星期有关 比如 周五周六周天相对较高 将星期也为参数。 输出关系图
sns.pairplot(train_dataset[[拍摄数量,事业部数量,weekday,index]], diag_kindkde) 拆分训练数据集和测试数据集 拆除80%的数据进行训练、20%进行测试
train_dataset dataset.sample(frac0.8,random_state0)
test_dataset dataset.drop(train_dataset.index)
从标签中分离特征 把预测值分离出来 train_labels train_dataset.pop(拍摄数量)test_labels test_dataset.pop(拍摄数量) 数据规范化
使用不同的尺度和范围对特征归一化是好的实践。尽管模型可能 在没有特征归一化的情况下收敛它会使得模型训练更加复杂并会造成生成的模型依赖输入所使用的单位选择。
就是将数据统一差不多的大小
def norm(x):return (x - train_stats[mean]) / train_stats[std]
normed_train_data norm(train_dataset)
normed_test_data norm(test_dataset)
结果类似于 输入 部门数 35 星期 3 日期 202 输出 1.98 0.0 1.768 但是要注意 之后预测数据时 也要统一化 二.构建模型 构建 我们将会使用一个“顺序”模型其中包含两个紧密相连的隐藏层以及返回单个、连续值得输出层。
def build_model():model keras.Sequential([layers.Dense(64, activationrelu, input_shape[len(train_dataset.keys())]),layers.Dense(64, activationrelu),layers.Dense(1)])optimizer tf.keras.optimizers.RMSprop(0.001)model.compile(lossmse,optimizeroptimizer,metrics[mae, mse])return model 训练
# 通过为每个完成的时期打印一个点来显示训练进度
class PrintDot(keras.callbacks.Callback):def on_epoch_end(self, epoch, logs):if epoch % 100 0: print()print(., end)EPOCHS 1000history model.fit(normed_train_data, train_labels,epochsEPOCHS, validation_split 0.2, verbose0,callbacks[PrintDot()])
预测值对比 最后进行预测值对比
error test_predictions - test_labels
plt.hist(error, bins 25)
plt.xlabel(Prediction Error [MPG])
_ plt.ylabel(Count) 第一篇完 tensorflow模型构建到此结束 想看详细教程 官网链接https://www.tensorflow.org/tutorials/keras/regression
后续写转tensorflow lite/部署方案、动态下发、端侧推断部分
