Python 实现深度学习模型预测控制--预测模型构建

链接：深度学习模型预测控制

链接：WangXiaoMingo/TensorDL-MPC: DL-MPC(deep learning model predictive control) is a software toolkit developed based on the Python and TensorFlow frameworks, designed to enhance the performance of traditional Model Predictive Control (MPC) through deep learning technology. This toolkit provides core functionalities such as model training, simulation, parameter optimization. (github.com)https://github.com/WangXiaoMingo/TensorDL-MPC此文档为如何使用深度学习模型预测控制系列文档。

使用 TensorDL-MPC 进行 MPC 控制，包括初始化系统、训练模型、执行 MPC 控制、模拟系统动力学等。

1. 构建模型

方法1：可以直接加载模型进行网络训练。

方法2：同样允许我们自己构建特定模型。使用方法与使用TensorFlow的Keras API构建方式类似，包括Sequential模型、函数式API（Functional API）、以及子类化（Subclassing）方法。这些方法都可以完成从模型构建到训练的整个过程。下面将分别展示这些方式的具体实现。

1.1 使用Sequential模型

import tensorflow as tf
from tensorflow.keras import layers, models# 使用Sequential API 构建模型
model = models.Sequential([layers.Dense(128, activation='relu', input_shape=(784,)),  # 输入层layers.Dense(64, activation='relu'),  # 隐藏层layers.Dense(10, activation='softmax')  # 输出层
])# 编译模型
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
model.summary()

1.2 函数式API（Functional API）

函数式API允许创建更复杂的模型结构，例如多输入、多输出或共享层的模型。

from tensorflow.keras import Input, Model# 使用Functional API 构建模型
inputs = Input(shape=(784,))
x = layers.Dense(128, activation='relu')(inputs)
x = layers.Dense(64, activation='relu')(x)
outputs = layers.Dense(10, activation='softmax')(x)model = Model(inputs=inputs, outputs=outputs)# 编译模型
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
model.summary()

1.3 使用子类化（Subclassing）方法

子类化方法允许对模型的结构和前向传播过程进行最大程度的控制。

class MyModel(tf.keras.Model):def __init__(self):super(MyModel, self).__init__()self.dense1 = layers.Dense(128, activation='relu')self.dense2 = layers.Dense(64, activation='relu')self.dense3 = layers.Dense(10, activation='softmax')def call(self, inputs):x = self.dense1(inputs)x = self.dense2(x)return self.dense3(x)model = MyModel()# 编译模型
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])

这三种方法各有优缺点: