資訊專欄INFORMATION COLUMN
摘要：實(shí)踐股票預(yù)測(cè)原始數(shù)據(jù)下載代碼單層數(shù)據(jù)預(yù)處理導(dǎo)入數(shù)據(jù)最高價(jià)按時(shí)間升序標(biāo)準(zhǔn)化生成訓(xùn)練集時(shí)間步輸出維度每一批次訓(xùn)練多少個(gè)樣例輸入維度輸出維度學(xué)習(xí)率訓(xùn)練集構(gòu)建圖變量模型保存模型訓(xùn)練模型執(zhí)行圖每步保存一次參數(shù)保存模型參考單層多層雙向參數(shù)
實(shí)踐 股票預(yù)測(cè) 原始數(shù)據(jù)
下載
# 數(shù)據(jù)預(yù)處理
## 導(dǎo)入數(shù)據(jù)
df = pd.read_csv("/Users/Nick/Desktop/stock_dataset.csv")
data = np.array(df["最高價(jià)"])
data = data[::-1] # 按時(shí)間升序
normalize_data=(data-np.mean(data))/np.std(data) #標(biāo)準(zhǔn)化
normalize_data=normalize_data[:,np.newaxis]# (6111, 1)
## 生成訓(xùn)練集
time_step=20 #時(shí)間步
rnn_unit=10 #lstm輸出維度
batch_size=60 #每一批次訓(xùn)練多少個(gè)樣例
input_size=1 #輸入維度
output_size=1 #輸出維度
lr=0.0006 #學(xué)習(xí)率
train_x,train_y=[],[] #訓(xùn)練集
for i in range(len(normalize_data)-time_step-1):
x=normalize_data[i:i+time_step]
y=normalize_data[i+1:i+time_step+1]
train_x.append(x.tolist()) # (6090, 20, 1)
train_y.append(y.tolist()) # (6090, 20, 1)
# 構(gòu)建圖
tf.reset_default_graph()
## 變量
X = tf.placeholder(tf.float32, [batch_size, time_step, input_size])
Y = tf.placeholder(tf.float32, [batch_size, time_step, output_size])
## 模型
cell = tf.nn.rnn_cell.LSTMCell(rnn_unit, num_proj=output_size)
output_rnn, final_states = tf.nn.dynamic_rnn(cell, X,initial_state=init_state, dtype=tf.float32)
pred = output_rnn
loss=tf.reduce_mean(tf.square(tf.reshape(pred,[-1])-tf.reshape(Y, [-1])))
train_op=tf.train.AdamOptimizer(lr).minimize(loss)
saver=tf.train.Saver(tf.global_variables()) # 保存模型
# 訓(xùn)練模型（執(zhí)行圖）
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(100):
step=0
start=0
end=start+batch_size
while(end
參考
單層/多層/雙向LSTM參數(shù)含義及實(shí)踐
LSTM中units參數(shù)的理解
理解LSTM網(wǎng)絡(luò)譯文
有趣的RNN實(shí)踐
文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://m.specialneedsforspecialkids.com/yun/43367.html
摘要：本文將詳細(xì)解析深度神經(jīng)網(wǎng)絡(luò)識(shí)別圖形圖像的基本原理。卷積神經(jīng)網(wǎng)絡(luò)與圖像理解卷積神經(jīng)網(wǎng)絡(luò)通常被用來張量形式的輸入，例如一張彩色圖象對(duì)應(yīng)三個(gè)二維矩陣，分別表示在三個(gè)顏色通道的像素強(qiáng)度。 本文將詳細(xì)解析深度神經(jīng)網(wǎng)絡(luò)識(shí)別圖形圖像的基本原理。針對(duì)卷積神經(jīng)網(wǎng)絡(luò)，本文將詳細(xì)探討網(wǎng)絡(luò) 中每一層在圖像識(shí)別中的原理和作用，例如卷積層(convolutional layer)，采樣層(pooling layer)，...
摘要：用離散信一文清晰講解機(jī)器學(xué)習(xí)中梯度下降算法包括其變式算法無論是要解決現(xiàn)實(shí)生活中的難題，還是要?jiǎng)?chuàng)建一款新的軟件產(chǎn)品，我們最終的目標(biāo)都是使其達(dá)到最優(yōu)狀態(tài)。 提高駕駛技術(shù)：用GAN去除(愛情)動(dòng)作片中的馬賽克和衣服 作為一名久經(jīng)片場(chǎng)的老司機(jī)，早就想寫一些探討駕駛技術(shù)的文章。這篇就介紹利用生成式對(duì)抗網(wǎng)絡(luò)（GAN）的兩個(gè)基本駕駛技能： 1) 去除(愛情)動(dòng)作片中的馬賽克 2) 給(愛情)動(dòng)作片中...
閱讀 709·2021-11-15 11:37
閱讀 3333·2021-10-27 14:14
閱讀 6132·2021-09-13 10:30
閱讀 2975·2021-09-04 16:48
閱讀 1941·2021-08-18 10:22
閱讀 2139·2019-08-30 14:19
閱讀 741·2019-08-30 10:54
閱讀 1758·2019-08-29 18:40
