모두를 위한 딥러닝 - RNN 실습 (5)

모두를 위한 딥러닝 ML lab12-6: RNN with Time Series Data 강의 정리 & 코드

 

전체 코드: https://github.com/hunkim/DeepLearningZeroToAll/blob/master/lab-12-5-rnn_stock_prediction.py

 

 

RNN으로 time series data인 주식 시장을 예측해보자

 

Many to one

1~7일의 데이터를 가지고 8일째 가격을 예측

 

 

Dataset

input dimension = 5   [open, high, low, volume, close]

sequence = 7  [7일 동안의 데이터를 토대로 수행]

output dimension = 1  [8일 째만 예측]

 

 

1. import

import tensorflow as tf
import numpy as np
import matplotlib
import os

# 그래프 수준의 난수 시드 설정
tf.set_random_seed(777)

if "DISPLAY" not in os.environ:
    matplotlib.use('Agg')
    
import matplotlib.pyplot as plt

 

2. MinMaxScaler 함수

값이 매우 큰 값도 있고, 작은 값도 있기 때문에 MinMaxScaler함수로 normalize해준다

# parameters-data: normalized된 input data
# return-data : nomalized된 데이터, shape: [batch size, dimension] 
def MinMaxScaler(data):
    #분자
    numerator = data - np.min(data,0)
    #분모
    denominator = np.max(data,0) -np.min(data,0)
    #noise term prevents the zero division
    return numerator / (denominator+1e-7)

 

3. sequence 및 dimension 선택

timesteps = seq_length =7
data_dim = 5
output_dim =1 
hidden_dim=10 
learning_rate =0.01
iterations =500

hidden_dim은 우리가 알아서 적당히 해주면 됨

 

 

4. 데이터 로드 및 정렬

# Open, High, Low, Volume, Close
xy = np.loadtxt('./input/data-02-stock_daily.csv', delimiter=',')
xy = xy[::-1]  # reverse order (chronically ordered)
#ㄴ시간순으로 만들기 위해서 뒤집어 줌

#값이 들쑥날쑥함. (값이 큰 값도 있고 작은 값도 있음) -> MinMaxScaler()로 normalize
xy=MinMaxScaler(xy)
x=xy            # x는 전체를 가짐
y= xy[:, [-1]]  #y는 close 레이블된 값만 가짐 

 

* xy[ :, [-1] ] 작동 예시

a=np.array([[1,2,3],[4,5,6],[7,8,9]])
a=a[:,[-1]]
a

 

 

5. x, y 지정

0~6을 x라고 하면 7번째 값이 y가 됨

dataX=[]
dataY=[]
for i in range(0, len(y)-seq_length):
    _x=x[i:i+seq_length]
    _y=y[i+seq_length]
    print(_x,"->",_y)
    dataX.append(_x)
    dataY.append(_y)

 

 

6. dataset을 Training과 test로 나누기

# split to train and testing
train_size = int(len(dataY)*0.7)
test_size = len(dataY)-train_size
trainX, testX = np.array(dataX[0:train_size]),np.array(dataX[train_size:len(dataX)])
trainY, testY = np.array(dataY[0:train_size]),np.array(dataY[train_size:len(dataY)])

#input placeholders
#X는 sequence data
X= tf.placeholder(tf.float32, [None, seq_length, data_dim])  #[배치 사이즈, ,]
Y = tf.placeholder(tf.float32, [None,1]) # 출력 값이 한 개

 

 

7. LSTM and Loss

#LSTM and Loss
cell = tf.contrib.rnn.BasicLSTMCell(num_units=hidden_dim, state_is_tuple=True)
outputs, _states = tf.nn.dynamic_rnn(cell,X,dtype=tf.float32)

# 예측한 것에 fully_connected한 것을 실제 얘측으로 봄
# [:,-1] output의 마지막 값만 쓴다
# output_dim = 1
Y_pred = tf.contrib.layers.fully_connected(outputs[:,-1],output_dim, activation_fn=None)

# cost/loss
loss = tf.reduce_sum(tf.square(Y_pred-Y)) # sum of the squares

# optimizer
optimizer = tf.train.AdamOptimizer(0.01)
train=optimizer.minimize(loss)

 

 

8. Training and Results

#Training and Results
sess=tf.Session()
sess.run(tf.global_variables_initializer())

for i in range(1000):
    _, l =sess.run([train,loss], feed_dict={X:trainX,Y:trainY})
    print(i,l)
    
testPredict = sess.run(Y_pred, feed_dict={X:testX})

plt.plot(testY)
plt.plot(testPredict)
plt.show()