keras를 사용하여 암호화화폐 예측하기 - 2. 모델 저장 및 불러오기¶
모델을 저장하고, 불러오기를 반복하며 학습을 진행합니다. 이전 코드를 바탕으로 새롭게 작성하여 진행합니다.
모델을 생성하기 이전에 저장한 모델이 있는지 확인해서, 있으면 저장된 모델을 불러옵니다.
In [1]:
!pip3 install h5py
모델 생성¶
모델을 생성합니다. 이전 코드와 동일합니다.
In [2]:
from keras.models import Sequential
from keras.layers import Dense, Dropout, LSTM
batch_size = 1
look_back = 10
feature = 2
model = Sequential()
for i in range(3):
model.add(LSTM(32, batch_input_shape=(batch_size, look_back, feature), stateful=True, return_sequences=True))
model.add(Dropout(0.1))
model.add(LSTM(32, batch_input_shape=(batch_size, look_back, feature), stateful=True))
model.add(Dropout(0.1))
model.add(Dense(feature))
model.compile(loss='mean_squared_error', optimizer='adam')
모델 저장¶
생성한 모델을 저장합니다. 일단, 파일명은 xrp_hour.h5로 지정하겠습니다.
In [3]:
model_name = "xrp_hour.h5"
model.save(model_name)
모델 불러오기¶
불러올 때는 load_model을 사용하면 됩니다.
In [4]:
from keras.models import load_model
model = load_model(model_name)
훈련 데이터 설정¶
훈련에 사용할 데이터를 불러오겠습니다.
In [5]:
import pandas as pd
file_name = 'hour_Bithumb_XRP_KRW.csv'
data = pd.read_csv(file_name)
high_low_data = data[['high','low']]
data = high_low_data.dropna(axis=0, how='any')
min_low = data.min(axis=0).low
data -= min_low
max_high = data.max(axis=0).high
data /= max_high
data_arr = data.values
훈련을 위한 입출력데이터를 생성합니다.
In [6]:
import numpy as np
data_x, data_y = [], []
for i in range(len(data_arr) - look_back):
data_x.append(data_arr[i:(i+look_back)])
data_y.append(data_arr[i+look_back])
x_train = np.array(data_x)
y_train = np.array(data_y)
훈련이 되는지 확인합니다.
In [7]:
model.fit(x_train, y_train, epochs=1, batch_size=1, shuffle=False)
Out[7]:
모델을 생성하는 함수를 생성합니다. 마지막 부분에서 생성한 모델을 반환합니다.
In [8]:
from keras.models import Sequential
from keras.layers import Dense, Dropout, LSTM
def create_model():
batch_size = 1
look_back = 10
feature = 2
model = Sequential()
depth = 3
for i in range(depth):
model.add(LSTM(((depth - i ) * 32), batch_input_shape=(batch_size, look_back, feature), stateful=True, return_sequences=True))
model.add(Dropout(0.1))
model.add(LSTM(32, batch_input_shape=(batch_size, look_back, feature), stateful=True))
model.add(Dropout(0.1))
model.add(Dense(feature))
model.compile(loss='mean_squared_error', optimizer='adam')
return model
모델을 생성하는 함수를 만들고, 저장된 모델을 불러오는 함수를 생성합니다.
모듈을 import하는 부분은 위에서 실행하였으면, 다시 실행할 필요는 없습니다.
In [9]:
from keras.models import load_model
def load_saved_model():
try:
model = load_model(model_name)
except:
model = create_model()
return model
저장된 모델을 불러보고 확인해 보겠습니다.
In [10]:
model = load_saved_model()
model
Out[10]:
저장된 모델을 지워보고 확인해 보겠습니다. 파일이 있으면 지워지고, 없으면 FileNotFoundError가 발생할 것입니다.
In [11]:
import os, sys
try:
os.remove(model_name)
except:
print("Unexpected error:", sys.exc_info()[0])
model = load_saved_model()
model
Out[11]:
훈련 순서¶
- 모델 불러오기
- 훈련
- 모델 저장하기
In [12]:
model = load_saved_model()
model.fit(x_train, y_train, epochs=1, batch_size=1, shuffle=False)
model.save(model_name)
첫번째 값을 예측한 값과 비교해보겠습니다.
In [13]:
xhat = x_train[0]
prediction = model.predict(np.array([xhat]), batch_size=1)
print("y:", y_train[0])
print("p:", prediction)
동작을 확인하였으면, 훈련을 하는 함수를 생성합니다.
In [14]:
def train_model(train_count):
model = load_saved_model()
for i in range(train_count):
print("train_step:{}".format(i+1))
model.fit(x_train, y_train, epochs=1, batch_size=1, shuffle=False)
model.reset_states()
model.save(model_name)
훈련 함수를 호출합니다. 파라미터로 훈련 횟수를 설정합니다.
In [15]:
train_model(5)
이어서...¶
훈련된 모델을 사용하여 이후의 값을 예측해보겠습니다.
'Programming > Machine Learning' 카테고리의 다른 글
| 100 numpy exercises (0) | 2019.06.05 |
|---|---|
| keras를 사용하여 암호화화폐 예측하기 - 1. 기본구성 (0) | 2018.01.29 |
| Croke Park : 스마트 스타디움 내에서의 사운드 및 날씨 데이터 모니터링 (0) | 2018.01.08 |
댓글