Question

我应该如何控制估计器的输入大小？我得到一个数据框67 000行，30列。我想使用每600行30列的数据来预测仅一行的每个输出。这是一个LStm回归问题。但是出于其他考虑。我使用了估算器。 DNNLinear CombinedRegressor模型。但是，如何控制600行数据预测一个数字还不知道。另外，估计器的线性部分是LSTM还是rnn形式？由于使用estimator程序包，我不知道其中的详细结构。我使用tfrecord和数据集输入数据。

例如，前600行用于预测第600行的结果。第二低至601行的数字用于预测第601行的结果

我想用每600行30列的数据来预测每一行的输出这是一个lstm回归的问题。但由于其他方面的考虑。我使用了estimator.DNNLinearCombinedRegressor模型。数据预测1个数字的预测。另外estimator的线性部分，是否是lstm或者rnn的形式？？由于estimator封装，我并不清楚里面的详细结构说白了就是想用前600行数据预测第600行的结果2到601行预测第601行的结果，怎么才能做到？

def read_data_input（tf_dir，batch_size）：打印（tf_dir） raw_dataset = tf.data.TFRecordDataset（tf_dir） def _parse_function（记录）： feature_description = { 'volume'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'Quote_asset_volume'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'Number_of_trades'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'Taker_buy_base_asset_volume'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'Taker_buy_quote_asset_volume'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0），＃'candle_begin_time_GMT8'：_float_feature（df ['pred']。loc [i]）， '5day_press'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， '30day_press'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， '60day_press'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， '更改'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'change_day'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'day_ofyear'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， '系列'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'num_updowm'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'a'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'up_shaow_day'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'down_shaow_day'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'up_shaow_15min'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'down_shaow_15min'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'szzs'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0），＃'sema'：_ float_feature（df ['sema']。loc [i]），＃'lema'：_float_feature（df ['lema']。loc [i]）， 'dif'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'dea'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'macd'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'K'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'D'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'J'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'KDJ_gold'：tf.FixedLenFeature（[]，tf.string，default_value =''）， 'low_rate'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'high_rate'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， '时间'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'time_next'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'RSI'：tf.FixedLenFeature（[]，tf.float32，default_value = 0.0）， 'pred'：tf.FixedLenFeature（（），tf.float32，）＃这里是标签 } 解析= tf.parse_single_example（记录，feature_description）

    labels=parsed['pred']
    #kdj_gold = tf.reshape(parsed['KDJ_gold'],shape=[3,0])
    kdj_gold=tf.cast(parsed['KDJ_gold'],tf.string)




    return {'volume':parsed['volume'],
            'Quote_asset_volume': parsed['Quote_asset_volume'],
            'Number_of_trades': parsed['Number_of_trades'],
            'Taker_buy_base_asset_volume': parsed['Taker_buy_base_asset_volume'],
            'Taker_buy_quote_asset_volume': parsed['Taker_buy_quote_asset_volume'],
            '5day_press': parsed['5day_press'],
            '30day_press': parsed['30day_press'],
            '60day_press': parsed['60day_press'],
            'change': parsed['change'],
            'change_day': parsed['change_day'],
            'day_ofyear': parsed['day_ofyear'],
            'series': parsed['series'],
            'num_updowm': parsed['num_updowm'],
            'a': parsed['a'],
            'up_shaow_day': parsed['up_shaow_day'],
            'down_shaow_day': parsed['down_shaow_day'],
            'up_shaow_15min': parsed['up_shaow_15min'],
            'down_shaow_15min': parsed['down_shaow_15min'],
            'szzs': parsed['szzs'],
            'dif': parsed['dif'],
            'dea': parsed['dea'],
            'macd': parsed['macd'],
            'K': parsed['K'],
            'D': parsed['D'],
            'J': parsed['J'],
            'KDJ_gold': kdj_gold,
            'low_rate': parsed['low_rate'],
            'high_rate': parsed['high_rate'],
            'time': parsed['time'],
            'time_next': parsed['time_next'],
            'RSI': parsed['RSI'],
            },labels

parsed_dataset = raw_dataset.map(_parse_function)
parsed_dataset= parsed_dataset.repeat()
parsed_dataset= parsed_dataset.batch(batch_size)#n_step)
parsed_dataset = parsed_dataset.window(5)
print(parsed_dataset.output_shapes)
return parsed_dataset

我尝试了很多方法，但都失败了。如何更改代码，以便将输入设置为600行以预测行数？

如何使用数据集进行估算，将输入设置为600行以预测每行的数量

0 个答案: