python设置文件路径

Question

这是代码

import pandas_datareader.data as web
import datetime
start = datetime.datetime(2000,1,1)
end = datetime.datetime(2024,1,1)
df = web.DataReader('GOOGL', 'stooq',start,end)
def Stock_Price_LSTM_Data_Precesing(df,mem_his_days,pre_days):
    df.dropna(inplace=True)
    df.sort_index(inplace=True)
    df['label']= df['Close'].shift(-pre_days)
    from sklearn.preprocessing import StandardScaler
    scaler = StandardScaler()
    sca_X=scaler.fit_transform(df.iloc[:,:-1])
    
    
    mem_his_days = 10
    
    from collections import deque
    deq = deque(maxlen=mem_his_days)
    
    X = []
    for i in sca_X:
        deq.append(list(i))
        if len(deq)==mem_his_days:
            X.append(list(deq))
    X_lately = X[-pre_days:]
    X = X[:-pre_days]
    y = df['label'].values[mem_his_days-1:-pre_days]
    
    
    import numpy as np
    X = np.array(X)
    y = np.array(y)
    return X,y,X_lately
X,y,X_lately = Stock_Price_LSTM_Data_Precesing(df,5,10)
print(len(X))
print(len(y))
print(len(X_lately))
pre_days = 10
mem_days=[5,10,15]
lstm_layers=[1,2,3]
dense_layers=[1,2,3]
units = [16,32]
from tensorflow.keras.callbacks import ModelCheckpoint
for the_mem_days in mem_days:
    for the_lstm_layers in lstm_layers:
        for the_dense_layers in dense_layers:
            for the_units in units:
                filepath = './models/men_{0}lstm{1}dense{2}unit{3}.weights.h5'.format(the_mem_days, the_lstm_layers, the_dense_layers, the_units)
                checkpoint = ModelCheckpoint(
                    filepath=filepath,
                    save_weights_only=True,
                    monitor='val_mape',
                    mode='min',
                    save_best_only=True)
                X,y,X_lately = Stock_Price_LSTM_Data_Precesing(df,the_mem_days,pre_days)
                from sklearn.model_selection import train_test_split
                X_train,X_test,y_train,y_test = train_test_split(X,y,shuffle=False,test_size=0.1)
                import tensorflow as tf
                from tensorflow.keras.models import Sequential
                from tensorflow.keras.layers import LSTM,Dense,Dropout
                model = Sequential()
                model.add(LSTM(the_units,input_shape=X.shape[1:],activation='relu',return_sequences=True))
                model.add(Dropout(0.1))
                for i in range(the_lstm_layers):
                    model.add(LSTM(the_units,activation='relu',return_sequences=True))
                    model.add(Dropout(0.1))
                
                model.add(LSTM(the_units,activation='relu'))
                model.add(Dropout(0.1))
                for i in range(the_dense_layers):
                    model.add(Dense(the_units,activation='relu'))
                    model.add(Dropout(0.1))
                
                model.add(Dense(1))
                model.compile(optimizer='adam',
                             loss='mse',
                             metrics=['mape'])
                model.fit(X_train,y_train,batch_size=32,epochs=50,validation_data=(X_test,y_test),callbacks=[checkpoint])

怎么在设置文件路径的时候把val_mape的值保留两位小数放在文件名字的最前面

Answer 1

以下内容由CHATGPT及阿里嘎多学长共同生成、有用望采纳：

---

问题概括

这个问题的目的是要在Python中使用TensorFlow的ModelCheckpoint回调函数时，将验证集上的平均绝对百分比误差（val_mape）保留两位小数，并将其作为文件名的一部分。

问题出现原因

这个问题出现的原因是在ModelCheckpoint的filepath参数中，需要动态地将模型在验证集上的表现（如val_mape）作为文件名的一部分。在原始代码中，filepath是静态的字符串格式化，没有包含val_mape的值。

问题解决方案

为了解决这个问题，我们可以在每个epoch结束后，当val_mape被计算出来之后，动态地更新ModelCheckpoint的filepath。但是，由于ModelCheckpoint的filepath参数需要在模型编译之前设置，我们不能直接使用val_mape的值。因此，我们需要使用一个自定义的回调函数来实现这一点。

提供代码

以下是修改后的代码，其中包含了一个自定义的回调函数ValMapEFormatter，它会在每个epoch结束后更新ModelCheckpoint的filepath。

import os
from tensorflow.keras.callbacks import Callback, ModelCheckpoint
import numpy as np

class ValMapEFormatter(Callback):
    def __init__(self, original_filepath, decimal_places=2):
        super(ValMapEFormatter, self).__init__()
        self.original_filepath = original_filepath
        self.decimal_places = decimal_places
        self.checkpoint = None

    def on_epoch_end(self, epoch, logs=None):
        if logs is not None:
            val_mape = logs.get('val_mape')
            if val_mape is not None:
                # 格式化val_mape为指定的小数位数
                val_mape_formatted = "{:.2f}".format(val_mape)
                # 更新ModelCheckpoint的filepath
                self.checkpoint.filepath = self.original_filepath.format(val_mape=val_mape_formatted)

# 其他代码保持不变...

# 在设置ModelCheckpoint时使用ValMapEFormatter
checkpoint_callback = ModelCheckpoint(
    filepath='./models/men_{val_mape}.weights.h5',  # 使用占位符
    save_weights_only=True,
    monitor='val_mape',
    mode='min',
    save_best_only=True
)

formatter_callback = ValMapEFormatter(
    original_filepath='./models/men_{val_mape}lstm{1}dense{2}unit{3}.weights.h5',  # 原始文件路径模板
    decimal_places=2  # 小数点后保留两位
)

callbacks_list = [checkpoint_callback, formatter_callback]

# 在model.fit中使用callbacks_list
model.fit(
    X_train, y_train,
    batch_size=32,
    epochs=50,
    validation_data=(X_test, y_test),
    callbacks=callbacks_list
)

代码运行方式

运行此代码需要有Python环境，并且安装了TensorFlow和相关依赖库。代码可以直接在一个Python脚本文件中运行，或者在一个Jupyter笔记本中逐行执行。

代码预期运行结果

代码将会在每个epoch结束后，根据验证集上的平均绝对百分比误差（val_mape），动态地更新ModelCheckpoint的文件路径。文件名将会包含格式化后的val_mape值，保留两位小数。

推荐相关链接

• TensorFlow官方文档
• Keras Callbacks
• Python字符串格式化