# 温度预测训练

import warnings

import numpy as np

import pandas as pd

import tensorflow as tf

from sklearn import preprocessing

from tensorflow.keras import layers

warnings.filterwarnings("ignore")

# 读取数据

features = pd.read_csv("temp.csv")

features.head()

print('维度', features.shape)

# 实际温度指标

labels = np.array(features['最高温度']) # x

features = features.drop('最高温度', axis=1) # y

features_list = list(features.columns)

features = np.array(features)

# 预处理

input_features = preprocessing.StandardScaler().fit_transform(features)

print(input_features[0])

# 创建模型

model = tf.keras.Sequential()

model.add(layers.Dense(16)) # 添加第一个16个神经元的隐藏层 dense 全连接

model.add(layers.Dense(32)) # 32 个神经元的第二个隐藏层

model.add(layers.Dense(1)) # 输出层,只有1个值

# model.add(layers.Dense(16, kernel_initializer='random_normal')) # 添加第一个16个神经元的隐藏层 dense 全连接

# # kernel_initializer 初始化方式,随机高斯分布

# model.add(layers.Dense(32, kernel_initializer='random_normal')) # 32 个神经元的第二个隐藏层

# model.add(layers.Dense(1, kernel_initializer='random_normal')) # 输出层,只有1个值

# model.add(layers.Dense(16, kernel_initializer='random_normal',

# kernel_regularizer=tf.keras.regularizers.l2(0.02))) # 添加第一个16个神经元的隐藏层 dense 全连接

# # kernel_initializer 初始化方式,随机高斯分布

# model.add(layers.Dense(32, kernel_initializer='random_normal',

# kernel_regularizer=tf.keras.regularizers.l2(0.02))) # 32 个神经元的第二个隐藏层

# model.add(

# layers.Dense(1, kernel_initializer='random_normal', kernel_regularizer=tf.keras.regularizers.l2(0.02))) # 输出层,只有1个值

# 优化器和损失函数

model.compile(optimizer=tf.keras.optimizers.SGD(0.001), loss='mean_squared_error')

# x,y

# validation_split 验证集,占数据的0.25

# epochs 迭代次数

# batch_size 每一次迭代样本数量

model.fit(input_features, labels, validation_split=0.25, epochs=20, batch_size=256)

# 测试

predict = model.predict(input_features)

print(predict)