自创数据集，使用TensorFlow预测股票入门

正文

请到「今天看啥」查看全文

执行加法的简单计算图

在上图中，两个零维张量（标量）将执行相加任务，这两个张量储存在两个变量 a 和 b 中。这两个值流过图形在到达正方形结点时被执行相加任务，相加的结果被储存在变量 c 中。实际上，a、b 和 c 可以被看作占位符，任何输入到 a 和 b 的值都将会相加到 c。这正是 TensorFlow 的基本原理，用户可以通过占位符和变量定义模型的抽象表示，然后再用实际的数据填充占位符以产生实际的运算，下面的代码实现了上图简单的计算图：

# Import TensorFlow
import tensorflow as tf
# Define a and b as placeholders
a = tf.placeholder(dtype=tf.int8)
b = tf.placeholder(dtype=tf.int8)
# Define the addition
c = tf.add(a, b)
#




    
 Initialize the graph
graph = tf.Session()
# Run the graph
graph.run(c, feed_dict{a: 5, b: 4})




如上在导入 TensorFlow 库后，使用 tf.placeholder() 定义两个占位符来预储存张量 a 和 b。随后定义运算后就能执行运算图得出结果。




占位符




正如前面所提到的，神经网络的初始源自占位符。所以现在我们先要定义两个占位符以拟合模型，X 包含神经网络的输入（所有 S&P 500 在时间 T=t 的股票价格），Y 包含神经网络的输出（S&P 500 在时间 T=t+1 的指数值）。




因此输入数据占位符的维度可定义为 [None, n_stocks]，输出占位符的维度为 [None]，它们分别代表二维张量和一维张量。理解输入和输出张量的维度对于构建整个神经网络十分重要。




# Placeholder
X = tf.placeholder(dtype=tf.float32, shape=[None, n_stocks])
Y = tf.placeholder(dtype=tf.float32, shape=[None])




以上代码中的 None 指代我们暂时不知道每个批量传递到神经网络的数量，所以使用 None 可以保持灵活性。我们后面会定义控制每次训练时使用的批量大小 batch_size。





变量




除了占位符，变量是 TensorFlow 表征数据和运算的另一个重要元素。虽然占位符在计算图内通常用于储存输入和输出数据，但变量在计算图内部是非常灵活的容器，它可以在执行中进行修改与传递。神经网络的权重和偏置项一般都使用变量定义，以便在训练中可以方便地进行调整，变量需要进行初始化，后文将详细解释这一点。




该模型由四个隐藏层组成，第一层包含 1024 个神经元，然后后面三层依次以 2 的倍数减少，即 512、256 和 128 个神经元。后面的层级的神经元依次减少就压缩了前面层级中抽取的特征。当然，我们还能使用其它神经网络架构和神经元配置以更好地处理数据，例如卷积神经网络架构适合处理图像数据、循环神经网络适合处理时序数据，但本文只是为入门者简要地介绍如何使用全连接网络处理时序数据，所以那些复杂的架构本文并不会讨论。




#




    
 Model architecture parameters
n_stocks = 500
n_neurons_1 = 1024
n_neurons_2 = 512
n_neurons_3 = 256
n_neurons_4 = 128
n_target = 1
# Layer 1: Variables for hidden weights and biases
W_hidden_1 = tf.Variable(weight_initializer([n_stocks, n_neurons_1]))
bias_hidden_1 = tf

请到「今天看啥」查看全文