LSTMの仕組みと使用例を徹底解説｜わかりやすい入門ガイド

# 1.ライブラリのインポート

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential     # 順次モデル構築用
from tensorflow.keras.layers import LSTM, Dense    # LSTM層と出力層

# 2.データを準備する

# 100個のサンプル、各サンプルは10ステップの時系列、1つの特徴量を持つ
X = np.random.rand(100, 10, 1)    # 入力データ: 形状 (サンプル数, 時系列の長さ, 特徴量数)
y = np.random.rand(100, 1)        # 教師データ (ターゲット): 1つの出力を予測

# 3.LSTMモデルを構築する

model = Sequential()  # 順番に層を積み上げていくモデル

# LSTMレイヤーを追加 (50ユニット=50個の記憶セル)
# input_shape=(10, 1): 1サンプル当たり10ステップ、各ステップで1つの値 (特徴量)
model.add(LSTM(50, input_shape=(10, 1)))

# 出力層を追加 (Dense層=全結合)
# 今回は1つの値を予測するため、出力ユニットは1つ
model.add(Dense(1))

# モデルのコンパイル
# 損失関数: mse (平均二乗誤差)、最適化手法: adam (よく使われる最適化アルゴリズム)
model.compile(optimizer='adam', loss='mse')

# 4.学習を実行する

# エポック数: 20回、バッチサイズ: 16 (1回の更新に使うサンプル数)
model.fit(X, y, epochs=20, batch_size=16)

# 5.予測を実行する

# ここでは訓練に使ったXをそのまま入力して予測結果を得る
predictions = model.predict(X)

# 6.結果を表示する

#最初の5件のみ表示する
print(predictions[:5])

# 1.ライブラリのインポート

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np

# 2. ハイパーパラメータ

seq_length = 10   # 時系列の長さ
input_size = 1    # 特徴量の数
hidden_size = 50  # LSTMの隠れ状態ユニット数
output_size = 1   # 出力の次元 (回帰出力)
batch_size = 100  # バッチサイズ

# 3. ダミーデータの作成 (NumPy → Torch Tensorに変換)

X = np.random.rand(batch_size, seq_length, input_size).astype(np.float32)
y = np.random.rand(batch_size, output_size).astype(np.float32)

X_tensor = torch.from_numpy(X)
y_tensor = torch.from_numpy(y)

# 4. モデルの定義

class LSTMRegressor(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(LSTMRegressor, self).__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out, _ = self.lstm(x)               # LSTMの出力 (すべての時刻)
        out = out[:, -1, :]                 # 最後の時刻の出力だけ使う
        out = self.fc(out)                  # 全結合層で回帰値を出力
        return out

# モデルのインスタンス作成
model = LSTMRegressor(input_size, hidden_size, output_size)

# 5. 損失関数と最適化手法

criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 6. 学習ループ (例: 20エポック)

for epoch in range(20):
    model.train()
    optimizer.zero_grad()
    output = model(X_tensor)
    loss = criterion(output, y_tensor)
    loss.backward()
    optimizer.step()

    if (epoch + 1) % 5 == 0:
        print(f"Epoch [{epoch+1}/20], Loss: {loss.item():.4f}")

# 7. 予測と結果表示

model.eval()
predictions = model(X_tensor).detach().numpy()
print(predictions[:5])