当前位置：首页 > news >正文

R4打卡——tensorflow实现火灾预测

news 来源：原创 2025/8/19 3:48:27

🍨 本文为🔗365天深度学习训练营中的学习记录博客

🍖 原作者：K同学啊

1.检查GPU

import tensorflow as tf
import pandas     as pd
import numpy      as npgpus = tf.config.list_physical_devices("GPU")
if gpus:tf.config.experimental.set_memory_growth(gpus[0], True)  #设置GPU显存用量按需使用tf.config.set_visible_devices([gpus[0]],"GPU")
print(gpus)

2.查看数据

import pandas as pd
import numpy as npdf_1 = pd.read_csv("data/woodpine2.csv")
df_1import matplotlib.pyplot as plt
import seaborn as snsplt.rcParams['savefig.dpi'] = 500 #图片像素
plt.rcParams['figure.dpi']  = 500 #分辨率fig, ax =plt.subplots(1,3,constrained_layout=True, figsize=(14, 3))sns.lineplot(data=df_1["Tem1"], ax=ax[0])
sns.lineplot(data=df_1["CO 1"], ax=ax[1])
sns.lineplot(data=df_1["Soot 1"], ax=ax[2])
plt.show()dataFrame = df_1.iloc[:,1:]
dataFrame

3.划分数据集

width_X = 8
width_y = 1X = []
y = []in_start = 0for _, _ in df_1.iterrows():in_end  = in_start + width_Xout_end = in_end   + width_yif out_end < len(dataFrame):X_ = np.array(dataFrame.iloc[in_start:in_end , ])X_ = X_.reshape((len(X_)*3))y_ = np.array(dataFrame.iloc[in_end  :out_end, 0])X.append(X_)y.append(y_)in_start += 1X = np.array(X)
y = np.array(y)X.shape, y.shapefrom sklearn.preprocessing import MinMaxScaler#将数据归一化，范围是0到1
sc       = MinMaxScaler(feature_range=(0, 1))
X_scaled = sc.fit_transform(X)
X_scaled.shapeX_scaled = X_scaled.reshape(len(X_scaled),width_X,3)
X_scaled.shapeX_train = np.array(X_scaled[:5000]).astype('float64')
y_train = np.array(y[:5000]).astype('float64')X_test  = np.array(X_scaled[5000:]).astype('float64')
y_test  = np.array(y[5000:]).astype('float64')X_train.shape

4.创建模型

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,LSTM,Bidirectional
from tensorflow.keras        import Input# 多层 LSTM
model_lstm = Sequential()
model_lstm.add(LSTM(units=64, activation='relu', return_sequences=True,input_shape=(X_train.shape[1], 3)))
model_lstm.add(LSTM(units=64, activation='relu'))model_lstm.add(Dense(width_y))

5.编译及训练模型

# 只观测loss数值，不观测准确率，所以删去metrics选项
model_lstm.compile(optimizer=tf.keras.optimizers.Adam(1e-3),loss='mean_squared_error')  # 损失函数用均方误差history_lstm = model_lstm.fit(X_train, y_train, batch_size=64, epochs=40, validation_data=(X_test, y_test),validation_freq=1)

6.结果可视化

# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号plt.figure(figsize=(5, 3),dpi=120)plt.plot(history_lstm.history['loss']    , label='LSTM Training Loss')
plt.plot(history_lstm.history['val_loss'], label='LSTM Validation Loss')plt.title('Training and Validation Loss')
plt.legend()
plt.show()predicted_y_lstm = model_lstm.predict(X_test)                        # 测试集输入模型进行预测y_test_one = [i[0] for i in y_test]
predicted_y_lstm_one = [i[0] for i in predicted_y_lstm]plt.figure(figsize=(5, 3),dpi=120)
# 画出真实数据和预测数据的对比曲线
plt.plot(y_test_one[:1000], color='red', label='真实值')
plt.plot(predicted_y_lstm_one[:1000], color='blue', label='预测值')plt.title('Title')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

7.模型评估

from sklearn import metrics
"""
RMSE ：均方根误差  ----->  对均方误差开方
R2   ：决定系数，可以简单理解为反映模型拟合优度的重要的统计量
"""
RMSE_lstm  = metrics.mean_squared_error(predicted_y_lstm, y_test)**0.5
R2_lstm    = metrics.r2_score(predicted_y_lstm, y_test)print('均方根误差: %.5f' % RMSE_lstm)
print('R2: %.5f' % R2_lstm)

总结：

1. 背景与目标

通过使用 TensorFlow 框架构建了一个基于 LSTM 的时间序列预测模型。任务是从给定的数据集中提取特征（Tem1, CO 1, Soot 1），并利用前8个时间段的数据预测第9个时间段的目标变量（Tem1）。整个流程包括数据预处理、模型构建、训练、评估和结果可视化等关键步骤。

2. 代码流程概述

（1）检查GPU

使用 tf.config.list_physical_devices("GPU") 检查是否有可用的 GPU 资源。
设置 GPU 显存按需分配，避免显存不足的问题。
GPU 加速可以显著提升模型训练效率，特别是在处理大规模数据时。

（2）查看数据

数据集包含三列：Tem1（目标变量）、CO 1 和 Soot 1。
使用 seaborn 和 matplotlib 对数据进行可视化，观察各特征的时间序列趋势。
数据预处理包括归一化操作，将所有特征值缩放到 [0, 1] 范围内，以便模型更好地收敛。

（3）划分数据集

将数据划分为输入特征 X 和目标变量 y：
- 输入 X 包含连续的8个时间步的特征值，并将其展平为 (len(X)*3) 的形式。
- 输出 y 是第9个时间步的目标值。
数据集进一步划分为训练集和测试集，并转化为 NumPy 数组格式，方便后续模型训练。
归一化后的数据被重新调整为适合 LSTM 输入的形状 (样本数, 时间步数, 特征数)。

（4）创建模型

定义了一个两层 LSTM 网络模型：
- 第一层 LSTM 的隐藏单元数为64，激活函数为 ReLU，并返回序列以供下一层使用。
- 第二层 LSTM 进一步提取时间序列特征。
- 最后通过全连接层输出单个预测值。
模型的设计考虑了时间序列数据的特点，能够捕捉长期依赖关系。

（5）编译与训练模型

使用均方误差（MSE）作为损失函数，Adam 优化器作为优化算法。
训练过程中，设置了批量大小为64，训练40个 epoch，并在每个 epoch 后验证模型性能。
验证频率设置为1，确保每次训练后都能看到验证集上的表现。

（6）结果可视化

绘制了训练集和测试集的损失曲线，直观地展示了模型的收敛情况。
对比了真实值与预测值的时间序列曲线，验证了模型的预测能力。
使用列表推导式将预测值和真实值压缩为一维数组，便于绘图。

（7）模型评估

使用均方根误差（RMSE）和决定系数（R²）评估模型性能：
- RMSE 衡量预测值与真实值之间的偏差。
- R² 反映模型对数据变化的拟合程度。
结果表明，模型在测试集上具有一定的预测能力，但仍存在改进空间。

3. 代码亮点

数据预处理：通过归一化处理和滑动窗口方法，有效地构造了适合LSTM模型的输入数据。
模型设计：采用了双层LSTM结构，能够更好地捕捉时间序列中的复杂模式。
动态调整超参数：使用 Adam 优化器和 MSE 损失函数，提升了模型的训练效果。
结果分析：结合可视化和定量指标，全面评估了模型的性能。

R4打卡——tensorflow实现火灾预测

🍨 本文为🔗365天深度学习训练营中的学习记录博客 🍖 原作者：K同学啊 1.检查GPU import tensorflow as tf import pandas as pd import numpy as npgpus tf.config.list_physical_devices("GPU") if gpus:…...

编程日记 2025/8/19 3:48:27

基于AI大语言模型的历史文献分析在气候与灾害重建领域中的技术应用

随着人工智能技术的快速发展，大语言模型（如GPT、BERT等）在自然语言处理领域取得了显著进展，特别是在非结构化文本数据的分析方面，极大地拓展了我们的研究视角。这些技术不仅提高了处理和理解文本数据的效率&#xff0c…...

编程日记 2025/8/17 21:37:56

CSS 字体背景波浪

<!DOCTYPE html> <html lang"zh-CN"><head><meta charset"UTF-8"><title>字体背景波浪</title><style>/* HTML: <div class"loader"></div> *//* HTML: <div class"loader"…...

编程日记 2025/8/19 3:47:39

2025能源网络安全大赛CTF --- Crypto wp

文章目录前言simpleSigninNumberTheory 前言大半年以来写的第一篇文章！！！ simpleSignin 题目： from Crypto.Util.number import * from gmpy2 import * import osflag bxxx p next_prime(bytes_to_long(os.urandom(128))…...

编程日记 2025/8/19 3:44:56

Redis面试——日志

一、RDB（Redis DataBase） RDB 全程是 Redis DataBase，它是一种将 Redis 在某一时刻内存中的数据以快照形式保存到磁盘的机制 ，相当于给执行save/bgsave命令时刻的内存数据库数据拍了一张快照我们如果通过save命令来执行快照&…...

编程日记 2025/8/19 3:41:21

计算机视觉与深度学习 | 基于YOLOv8与光流法的目标检测与跟踪（Python代码）

===================================================== github：https://github.com/MichaelBeechan CSDN：https://blog.csdn.net/u011344545 ===================================================== 目标检测与跟踪关键实现逻辑检测-跟踪协作机制‌特征点选择策略‌运动…...

编程日记 2025/8/19 3:47:38

nginx-基础知识

目录相关协议： HTTP协议特点 HTTP协议的原理 HTTP协议的请求方式 HTTP协议的状态码 nginx的功能 nginx缓存 nginx异步非阻塞 nginxI/O多路复用 nginx常用模块以及其功能相关协议： HTTP协议，超文本传输协议，占用端口80…...

编程日记 2025/8/19 3:47:39

class的访问器成员

class的访问器成员本质是 class 的语法糖等价于对象的defineProperty对象里面也能使用 class Product{constructor(count, price){this.count count;this.price price;}get total(){ // 相当于getterreturn this.count * this.price;}}const product new Product(10, 10…...

编程日记 2025/8/19 3:44:01

学习海康VisionMaster之矩形检测

这几天太忙了，好几天没有学习了，今天终于空下来了，继续学习之路吧。一：进一步学习了今天学习下VisionMaster中的矩形检测，这个一开始我以为是形态学方面的检测，实际操作下来其实还是边缘直线的衍生应用&…...

编程日记 2025/8/19 3:42:29

【已更新】2025华中杯C题数学建模网络挑战赛思路代码文章教学数学建模思路:就业状态分析与预测

完整内容请看文末最后的推广群先展示问题一代码和结果、再给出四个问题详细的模型按性别分析就业与失业状态： employment_status 失业 sex 0 182 1 163 按学历分析就业与失业状态： employment_status 失业 edu_level 0 10 1 172 2 163 按年龄区间分…...

编程日记 2025/8/19 3:43:08

CS144 Lab1实战记录：实现TCP重组器

文章目录 1 实验背景与要求1.1 TCP的数据分片与重组问题1.2 实验具体任务 2 重组器的设计架构2.1 整体架构2.2 数据结构设计 3 重组器处理的关键场景分析3.1 按序到达的子串（直接写入）3.2 乱序到达的子串（需要存储）3.3 与已处理区…...

编程日记 2025/8/17 21:07:48

Linux信号三部曲：产生机制、处理方式与内核接口

Linux系列文章目录 Linux系列前言一、背景知识铺垫1.1 信号的基本概念1.2 进程对信号的处理二、信号的产生2.1 前台进程和后台进程2.2 键盘组合键2.3 kill 命令2.4 系统调用2.4.1 signal()接口2.4.2 kill()接口2.4.3 raise()接口2.4.4 abort()接口总结前言 Linux中&#x…...

编程日记 2025/8/19 3:44:00

对抗生成进化：基于DNA算法的AIGC检测绕过——让AI创作真正“隐形“

一、技术背景与核心思想 2025年，AIGC检测工具（如Originality.AI 5.0）的识别准确率已达99.3%。本研究提出基于染色体编码的对抗进化框架（CAEF），通过模拟生物进化过程动态优化生成模型，成功将检测…...

编程日记 2025/8/19 3:44:01

探索大语言模型（LLM）：马尔可夫链——从诗歌分析到人工智能的数学工具

提出背景与灵感起源马尔可夫链由俄国数学家安德雷马尔可夫于1906年提出，最初是为了挑战当时概率论中“独立性假设”的局限性。他希望通过研究相依变量序列，证明即使随机变量之间存在依赖关系，大数定律和中心极限定理仍然成立。灵感来源&am…...

编程日记 2025/8/19 3:40:10

深入解析Java Socket服务器实现：从基础到优雅停机

本文将详细解析一个基于Java Socket实现的服务器程序，涵盖线程池管理、心跳检测、优雅停机等关键特性，并最终提供完整代码实现。 1. 架构概述这个Socket服务器实现具有以下核心特性： 基于Java原生Socket API实现使用线程池处理客户端连接…...

编程日记 2025/8/19 3:48:27

AI+SWAT模型革命性应用！ArcGIS Pro流域水循环/水生态智能模拟实战；SWAT模型下载安装运行建模流程

⚠️您是否面临： 传统水文模型效率低下？ 多源空间数据处理耗时？ 复杂生态过程难以量化？ 💡当SWAT模型遇见"ArcGIS ProAI"： → 传统需要1个月的参数率定缩短至3天 → 多情景分析报告自动生成&a…...

编程日记 2025/8/17 18:19:00

《AI大模型应知应会100篇》第23篇：角色扮演技巧：让AI成为你需要的专家

第23篇：角色扮演技巧：让AI成为你需要的专家摘要在当今人工智能快速发展的时代，大模型已经不仅仅是简单的问答工具，它们可以通过角色扮演技巧模拟各类专家身份，从而为用户提供更专业、更有针对性的服务。本文将深入探…...

编程日记 2025/8/19 3:46:46

【17】数据结构之图的遍历篇章

目录标题图的遍历深度优先遍历 Depth First Search广度优先遍历 Breadth First Search 图的遍历从图中某一个顶点出发，沿着一些边访遍图中所有的顶点，且使用每个顶点仅被访问一次，这个过程称为图的遍历.Graph Traversal. 其中&#xff0c…...

编程日记 2025/8/17 21:08:51

【gpt生成-其一】以go语言为例，详细描述一下 :语法规范BNF/EBNF形式化描述

在 Go 语言中通过 EBNF 形式化描述语法规范需要结合语言规范文档的结构，以下是详细实现方法及标准规范示例： 一、Go 语法规范结构（基于 Go 1.21 标准） ebnf 复制 // 基础元素定义 letter "A" ... "Z&quo…...

编程日记 2025/8/19 3:44:00

深度剖析：GPT-3.5与GPT-4的主要区别及架构解析

随着自然语言处理技术的飞速发展，OpenAI推出的各类语言模型备受瞩目。尤其是GPT-3.5和GPT-4这两个版本之间的差异，成为了技术爱好者、研究人员和企业关注的焦点。在这篇文章中，我们将探讨这两个版本的主要区别以及它们的架构特点，…...

编程日记 2025/8/19 3:41:22

协同推荐算法实现的智能商品推荐系统 - [基于springboot +vue]

🛍️ 智能商品推荐系统 - 基于springboot vue 🚀 项目亮点欢迎来到未来的购物体验！我们的智能商品推荐系统就像您的私人购物顾问，它能读懂您的心思，了解您的喜好，为您精心挑选最适合的商品。想象一下&am…...

编程日记 2025/8/19 3:46:45

【运维学习】lvs + keepalived + 主从dns 项目搭建

需求主机规划环境搭建配置主从dns 主dns 从dns 配置web服务搭建lvs keepalived 配置master 配置backup 更改dns配置添加VIP 配置内核参数更改web配置添加VIP 配置内核参数客户端测试需求主机规划主机名IP角色lvs-master192.168.239.105主lvs&#x…...

编程日记 2025/8/17 20:07:18

ESP32-idf学习（二）esp32C3作服务端与电脑蓝牙数据交互

一、当前需求目前是想利用蓝牙来传输命令，或者一些数据，包括电脑、手机与板子的数据传输，板子与板子之间的数据传输。构思是一个板子是数据接收终端，在电脑或手机下发指令后，再给其他板子相应指令，也需要…...

编程日记 2025/8/19 3:44:56

考道路运输安全员证应具备哪些经验？

考道路运输安全员证，通常没有明确的工作经验年限要求，但具备以下相关经验会对考试有很大帮助： 驾驶经验：报考要求取得相应的机动车驾驶证 1 年以上。有实际驾驶经验，能更好地理解驾驶员的操作规范、疲劳驾驶等问题&…...

编程日记 2025/8/19 3:45:35

ubtuntu安装docker拉取iwebsec镜像

docker安装： --可以在这之前换源（非必要）没有权限直接加sudo sudo apt-get update sudo apt-get upgrade 安装依赖： sudo apt install apt-transport-https ca-certificates curl software-properties-common gnupg lsb-re…...

编程日记 2025/8/19 3:44:01

Using the CubeMX code (一)(GPIO,PWM ,Cube AI,手写数字识别 MNIST,Demo)

该例程对使用CubeMX初始化GPIO做了示范，GPIO使用HAL库进行GPIO编程分为以下几个步骤： 一、例程简述 1. 包含必要的头文件和HAL库的相关头文件 CubeMX初始化会自动包含，对手敲HAL感兴趣的同学可以熟悉下生成的代码框架学习哦~ 2. 初始化GP…...

编程日记 2025/8/17 20:06:46

【第46节】windows程序的其他反调试手段中篇

目录引言一、利用SetUnhandledExceptionFilter/Debugger Interrupts 二、Trap Flag 单步标志异常三、利用SeDebugPrivilege 进程权限四、利用DebugObject:NtQueryObject() 五、OllyDbg:Guard 六、Software Breakpoint Detection 引言在程序反调试领域，存…...

编程日记 2025/8/19 3:37:53

【APM】How to enable Trace to Logs on Grafana?

系列文章目录【APM】Observability Solution 【APM】Build an environment for Traces, Metrics and Logs of App by OpenTelemetry 【APM】NET Traces, Metrics and Logs to OLTP 【APM】How to enable Trace to Logs on Grafana? 前言本文将介绍如何在Grafana上启用 …...

编程日记 2025/8/17 10:40:51

第十节：性能优化-如何排查组件不必要的重复渲染？

工具：React DevTools Profiler 方法：memo、shouldComponentUpdate深度对比 React 组件性能优化：排查与解决重复渲染问题指南一、定位性能问题：React DevTools 高级用法使用 React Developer Tools Profiler 精准定位问题组件&…...

编程日记 2025/8/17 18:19:07

Spring Boot 项目中发布流式接口支持实时数据向客户端推送

1、pom依赖添加 <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-webflux</artifactId></dependency>2、事例代码 package com.pojo.prj.controller;import com.pojo.common.core.utils.String…...

编程日记 2025/8/17 18:19:13

SpringBoot整合Thymeleaf变量渲染全解析：从基础到高阶实践

Thymeleaf作为SpringBoot官方推荐的模板引擎，其核心价值在于将动态数据无缝注入静态HTML模板。本文将从基础语法到复杂场景，深入剖析Thymeleaf对各种类型变量的渲染机制。一、环境搭建与基础配置依赖注入在pom.xml中引入核心依赖：<dependency><groupId>org.s…...

编程日记 2025/8/17 20:58:17

【verilog】Verilog 工程规范编码模板

这一套【Verilog 工程规范编码模板】，适合写清晰、可维护、可综合的 RTL 代码，适用于 FPGA/ASIC 开发： 📘 Verilog 工程级编码规范模板 1️⃣ 模块结构规范 module my_module #(parameter WIDTH 8 // 模块参数 )(input wire c…...

编程日记 2025/8/17 2:10:12

satoken的奇奇怪怪的错误

发了 /user/getBrowseDetail和/user/getResponDetail，但为什么进入handle里面有三次？且第一次的handle类型是AbstractHandleMapping$PreFlightHttpRequestHandlerxxx,这一次进来的时候flag为false，StpUtils.checkLogin抛出了异常第二次进来的…...

编程日记 2025/8/17 6:29:34

使用prometheus-operator部署prometheus服务,并对外提供访问

先决条件: 已经部署好k8s #这里我使用的版本是1.28.12 [rootprometheus-operator /zpf/prometheus/kube-prometheus/manifests]$kubectl version Client Version: v1.28.12 Kustomize Version: v5.0.4-0.20230601165947-6ce0bf390ce3 Server Version: v1.28.12安装git服务 #安…...

编程日记 2025/8/17 20:14:12

FPGA阵列

FPGA（现场可编程门阵列）阵列是由多个 FPGA 芯片组成的集合，通过特定的架构和互联方式协同工作，以实现强大的计算和处理能力。以下是关于 FPGA 阵列的详细介绍： 基本原理 FPGA 是一种可重构的集成电路，内部…...

编程日记 2025/8/17 14:51:59

Oracle补丁安装工具opatch更新报错处理

今日，在进行Oracle补丁升级更新opatch工具包后，执行opatch命令出现了如下报错： [oracles203116 ~]$ opatch version /u01/product/oracle/12.1.0/db_1/OPatch/opatch: line 839: [: too many arguments /u01/product/oracle/12.1.0/db_1/O…...

编程日记 2025/8/18 6:11:12

前端笔记-html+css测试2

HTML & CSS 能力测试卷选择题（每题2分，共20分） 下列哪个HTML5标签用于定义文档的导航链接？ A) <nav> B) <navigate> C) <navbar> D) <navigation> CSS中哪个属性用于设置元素的透明度？…...

编程日记 2025/8/17 20:04:10

Visual Studio C++ 常用配置变量表

前言 visual studio中常用配置变量表帮助你快速查阅，复制粘贴嘎嘎方便! 附上美图！！ 一、解决方案 & 项目路径变量含义示例（典型用法）$(SolutionDir)解决方案文件所在目录（末尾带\）$(S…...

编程日记 2025/8/17 19:51:40

论文阅读VACE: All-in-One Video Creation and Editing

code：https://github.com/ali-vilab/VACE 核心单个模型同时处理多种视频生成和视频编辑任务通过VCU（视频条件单元）进行实现方法视频任务所有的视频相关任务可以分为4类文本生视频参考图片生视频视频生视频视频mask生视频 VCU …...

编程日记 2025/8/17 21:12:21

【Python Cookbook】迭代器与生成器（一）

迭代器与生成器（一） 1.手动遍历迭代器2.代理迭代3.使用生成器创建新的迭代模式4.实现迭代器协议 1.手动遍历迭代器你想遍历一个可迭代对象中的所有元素，但是却不想使用 for 循环。为了手动的遍历可迭代对象，使用 next() 函数并…...

编程日记 2025/8/17 20:37:13

Qwen2.5-VL视觉大语言模型复现过程，没碰到什么坑

视频讲解：Qwen2.5-VL视觉大语言模型复现过程，没碰到什么坑_哔哩哔哩_bilibili Qwen2.5-VL视觉大语言模型复现过程，没碰到什么坑今天复现下Qwen2.5-VL玩玩 https://github.com/QwenLM/Qwen2.5-VL 创建conda环境，实测22.04&#x…...

编程日记 2025/8/17 20:51:23

LVGL填充函数

lvgl填充函数的位置： static void disp_flush(lv_disp_drv_t * disp_drv, const lv_area_t * area, lv_color_t * color_p) {LCD_Color_Fill(area->x1,area->y1,area->x2,area->y2,(u16*)color_p);lv_disp_flush_ready(disp_drv); }填充函数的具体内容…...

编程日记 2025/8/18 1:20:00