TF28——字母预测onehot_4pre1.md

用RNN实现输入连续四个字母，预测下一个字母（One hot编码）

按照六步法，首先import相关模块

我们用到的字母有5个是 a b c d e,为了送入神经网络，把字母表示为数字0 1 2 3 4，把数字 0 1 2 3 4编码为独热码

生成训练用的输入特征x_train和标签y_train,输入连续的abcd，对应的标签是e，输入连续的bcde，对应的标签是a，输入连续的cdea，对应的标签是b，输入连续的deab，对应的标签是c,输入连续的eabc，对应的标签是d

将他们打乱顺序

把输入特征变成RNN层期待的形状，使x_train符合SimpleRNN要求:[送入样本数,循环核时间展开步数,每个时间步输入特征个数]

• 第一个维度喂入输入特征的个数，使整个数据集样本数，有5个，可以用len(x_train)得到

• 第二个维度循环核时间展开步数，因为四个字母通过四个连续的时刻送入网络，所以时间展开步数是4

• 第三个维度每个时间步输入特征个数，每个时间步输入的是字母对应的独热码，是5个数，所以这里是5

再把y_train变为numpy格式

搭建育有三个记忆体的循环层，三个是我随意选的数字，你也可以自行调整记忆体个数，记忆体个数越多，记忆力越好，但是占用资源会更多，可以改变记忆体个数，看看模型收敛效果

这个Dense层实现了输出层yt的计算，由于要映射到独热码编码，找到输出概率最大的字母，所以这里是5

随后是cmopile fit summary和六步法一样，执行反向传播训练参数矩阵

提取参数和acc/loss可视化，同样用了六步法八股的套路

应用：字母预测

用了一个for循环，先输入要执行几次预测任务，随后等待输入四个字母，把这个字母，转换为独热码，调整为RNN层希望的形状，

• 只送入1组输入特征所以送入样本数是1，
• 输入连续的4个字母就给出预测结果，所以时间展开步数是4
• 每个时间步输入的是字母对应的独热码，是5个数，所以这里是5

通过predict得到预测结果，选出预测结果最大的一个，print输出预测结果