es每次结果不一样_相同的数据，为什么LSTM每次训练预测的结果不一样？

importpandas aspd

importnumpy asnp

importtushare asts

importmatplotlib.pyplot asplt

# 构建长短时神经网络需要的方法

fromsklearn.preprocessing importMinMaxScaler

fromkeras.models importSequential

fromkeras.layers importDense, LSTM, BatchNormalization

# 需要之前90次的数据来预测下一次的数据

need_num = 90

# 训练数据的大小

training_num = 3000

# 迭代10次

epoch = 10

batch_size = 32

# 训练数据的处理，我们选取整个数据集的前6000个数据作为训练数据，后面的数据为测试数据

# 从csv读取数据

dataset = pd.read_csv('900957.csv')

# 我们需要预测开盘数据，因此选取所有行、第四列数据

dataset = dataset.iloc[:, 3:4].values

# 训练数据就是上面已经读取数据的前6000行

training_dataset = dataset[:training_num]

# 因为数据跨度几十年，随着时间增长，人民币金额也随之增长，因此需要对数据进行归一化处理

# 将所有数据归一化为0-1的范围

sc = MinMaxScaler(feature_range=(0, 1))

'''

fit_transform()对部分数据先拟合fit，

找到该part的整体指标，如均值、方差、最大值最小值等等(根据具体转换的目的)，

然后对该trainData进行转换transform，从而实现数据的标准化、归一化等等。

'''

training_dataset_scaled = sc.fit_transform(X=training_dataset)

x_train = []

y_train = []

# 每90个数据为一组，作为测试数据，下一个数据为标签

fori inrange(need_num, training_dataset_scaled.shape[0]):

x_train.append(training_dataset_scaled[i - need_num: i])

y_train.append(training_dataset_scaled[i, 0])

# 将数据转化为数组

x_train, y_train = np.array(x_train), np.array(y_train)

# 因为LSTM要求输入的数据格式为三维的，[training_number, time_steps, 1]，因此对数据进行相应转化

x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))

# 构建网络，使用的是序贯模型

model = Sequential()

# return_sequences=True返回的是全部输出，LSTM做第一层时，需要指定输入shape

model.add(LSTM(units=128, return_sequences=True, input_shape=[x_train.shape[1], 1]))

model.add(BatchNormalization())

model.add(LSTM(units=128))

model.add(BatchNormalization())

model.add(Dense(units=1))

# 进行配置

model.compile(optimizer='adam',

loss='mean_squared_error')

model.fit(x=x_train, y=y_train, epochs=epoch, batch_size=batch_size)

# 进行测试数据的处理

# 前6000个为测试数据，但是将2910，即3000-90个数据作为输入数据，因为这样可以获取

# 测试数据的潜在规律

inputs = dataset[training_num - need_num:]

inputs = inputs.reshape(-1, 1)

# 这里使用的是transform而不是fit_transform，因为我们已经在训练数据找到了

# 数据的内在规律，因此，仅使用transform来进行转化即可

inputs = sc.transform(X=inputs)

x_validation = []

fori inrange(need_num, inputs.shape[0]):

x_validation.append(inputs[i - need_num:i, 0])

x_validation = np.array(x_validation)

x_validation = np.reshape(x_validation, (x_validation.shape[0], x_validation.shape[1], 1))

# 这是真实的股票价格，是源数据的[6000:]即剩下的231个数据的价格

real_stock_price = dataset[training_num:]

# 进行预测

predictes_stock_price = model.predict(x=x_validation)

# 使用 sc.inverse_transform()将归一化的数据转换回原始的数据，以便我们在图上进行查看

predictes_stock_price = sc.inverse_transform(X=predictes_stock_price)

print(predictes_stock_price)

data1=pd.DataFrame(predictes_stock_price)

data1.to_csv('result3.csv', index=False, header=True)

print("预测数据")

print(real_stock_price)

# 绘制数据图表，红色是真实数据，蓝色是预测数据

plt.plot(real_stock_price, color='red', label='Real Stock Price')

plt.plot(predictes_stock_price, color='blue', label='Predicted Stock Price')

plt.title(label='ShangHai Stock Price Prediction')

plt.xlabel(xlabel='Time')

plt.ylabel(ylabel='ShangHai Stock Price')

plt.legend()

plt.show()