使用 RNN 求解基本数学方程 [附编码示例]

将张量流导入为tf

从tensorflow.keras.models导入顺序

从tensorflow.keras.layers导入Dense、Dropout、SimpleRNN、RepeatVector、TimeDistributed

从tensorflow.keras.callbacks导入EarlyStopping，LambdaCallback

从termcolor导入有色

num_chars = len (char_string)

character_to_index = dict ((c, i) for i, c in enumerate (char_string))

index_to_character = dict ((i, c) for i, c in enumerate (char_string))

如果d != 0则返回n / d否则0

定义数据生成（）：

random1 = np.random.randint（低= 0 ，高= 100 ）

random2 = np.random.randint(low = 0 ,high = 100 )

op = np.random.randint（低= 0 ，高= 4 ）

如果op == 1 ：

arith = str (random1) + ' + ' + str (random2)

res = str (random1 + random2)

elif op == 1 ：

arith = str (random1) + ' – ' + str (random2)

res = str (random1 – random2)

elif op == 2 ：

arith = str (random1) + ' * ' + str (random2)

res = str (random1 * random2)

否则：

arith = str (random1) + ' / ' + str (random2)

res = str ( round (division(random1, random2), 2 ))

返回arith, res

max_time_steps = 5 #我们将输出硬编码为 5 个字符

定义模型（）：

模型=顺序（）

model.add(SimpleRNN(hidden_​​units, input_shape = ( None , num_chars)))

model.add(RepeatVector(max_time_steps))

model.add(SimpleRNN(hidden_​​units, return_sequences = True ))

model.add(TimeDistributed(Dense(num_chars,activation = ' softmax ' )))

返回模型

模型=模型（）

模型.summary()

model.compile（损失= '分类交叉熵' ，优化器= '亚当' ，指标= [ '准确性' ]）

x = np.zeros((max_time_steps, num_chars))

y = np.zeros((max_time_steps, num_chars))

x_remaining = max_time_steps – len (arith)

y_remaining = max_time_steps – len (res)

对于i, c in enumerate (arith)：

x[x_remaining + i, character_to_index[c]] = 1

对于范围内的i (x_remaining)：

x[i, character_to_index[ ' 0 ' ]] = 1

对于i, c in enumerate (res)：

y[y_remaining + i, character_to_index[c]] = 1

对于我在范围内（y_remaining）：

y[i, character_to_index[ ' 0 ' ]] = 1

返回x, y

res = [index_to_character[np.argmax(vec)] for i, vec in enumerate ( input )]

返回'​​ ' .join(res)

标志=假

输出= ' '

对于c输入： _

如果不是标志和c == ' 0 ' ：

继续

如果c == ' + '或c == ' – '或c == ' * '或c == ' / '或c == ' 。 ' :

标志=假

否则：

标志=真

输出+= c

返回输出

x_train = np.zeros((num_equations, max_time_steps, num_chars))

y_train = np.zeros((num_equations, max_time_steps, num_chars))

对于范围内的i (num_equations)：

e, l =数据生成（）

x, y =矢量化(e, l)

x_train[i] = x

y_train[i] = y

返回x_train, y_train

simple_logger = LambdaCallback(

on_epoch_end = lambda e, l: print ( ' {:.2f} ' .format(l[ ' val_accuracy ' ]), end = ' _ ' )

)

early_stopping = EarlyStopping(monitor = ' val_loss ' , 耐心= 8 )

model.fit（x_train，y_train，epochs = 100 ，validation_split = 0.25 ，verbose = 0 ，

回调= [simple_logger, early_stopping])

preds = model.predict(x_test)

full_seq_acc = 0

对于i, pred in enumerate (preds)：

pred_str =剥离（去矢量化（pred））

y_test_str =剥离（去向量化（y_test[i]））

x_test_str =剥离（去向量化（x_test[i]））

col = ' green ' if pred_str == y_test_str else ' red '

full_seq_acc += 1 / len (preds) * int (pred_str == y_test_str)

outstring = '输入：{}，输出：{}，预测：{} ' .format(x_test_str, y_test_str, pred_str)

打印（彩色（outstring，col））

print ( ' \n全序列精度：{:.3f} % ' .format( 100 * full_seq_acc))