👉引言💎
| 铭记于心 | ||
| 🎉✨🎉我唯一知道的，便是我一无所知🎉✨🎉 |
学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。 热爱写作，愿意让自己成为更好的人............
【深度学习实践（三）】RNN实现股票预测
1 RNN是什么
1.1 RNN的基本概念
RNN是一个不断循环的神经网络，它在循环的过程当中是具有记忆性的，可以根据前面的输入状态循环对模型进行适当的调整
- 比如时序神经网络:
处理“具有时序关系的输入序列”。也就是说，一个输入对应的输出，还取决于其“上文”的应用场合，如文字分类，自然语言处理 *
1.2 RNN的应用场景
RNN循环神经网络的应用范围非常广泛,举出部分例子：
- Many To One
- 情感分析。输入一段评论，输出该段评论是好评还是差评。
- 关键信息提取。输入一篇文章，输出该文章中的关键信息。
- Many To Many
- 语音识别。输入一段语音，输出对应的文字。
- 语言翻译。输入一段某国的文字或语音，输出一段另一个国家的对应意思的文字或语音。
- 聊天机器人。输入一句话，输出回答。
- 其他
- 句子文法结果分析。输入一个句子，输出该句子的文法结构。
- 句子自编码
2 前期准备
- 设置GPU
（模型的训练通常需要加工处理大量数据，这时候GPU的强大算力就体现出来了，一块好的GPU就像一个好鼎，就能练出来更好的丹药）这里使用TensorFlow深度学习框架，故使用以下方法进行GPU的配置
import tensorflow as tf gpus = tf.config.list_physical_devices("GPU")
- 数据预处理将加载好的数据进行预处理
- 加载数据，将数据集加载到内存中
- 用平均值或者0代替空值，奇异值；
- 归一化，消去量纲影响等
3 模型训练与预测
- 神经网络程序大概分为如下几个步骤：
- 选择模型
- 构建网络层
- 编译
- 训练
- 预测
3.1 构建模型
model = tf.keras.Sequential([ SimpleRNN(100, return_sequences=True), #布尔值。是返回输出序列中的最后一个输出，还是全部序列。 Dropout(0.1), #防止过拟合 SimpleRNN(100), Dropout(0.1), Dense(1) ])
3.2 激活模型
model.compile(optimizer=tf.keras.optimizers.Adam(0.001), loss='mean_squared_error') # 损失函数用均方误差
3.3 训练模型
history = model.fit(x_train, y_train, batch_size=64, epochs=20, validation_data=(x_test, y_test), validation_freq=1) model.summary()
- 预测
predicted_stock_price = model.predict(x_test) predicted_stock_price = sc.inverse_transform(predicted_stock_price) real_stock_price = sc.inverse_transform(test_set[60:])
- 评估
""" MSE ：均方误差 -----> 预测值减真实值求平方后求均值 RMSE ：均方根误差 -----> 对均方误差开方 MAE ：平均绝对误差-----> 预测值减真实值求绝对值后求均值 R2 ：决定系数，可以简单理解为反映模型拟合优度的重要的统计量 详细介绍可以参考文章：https://blog.csdn.net/qq_38251616/article/details/107997435 """ MSE = metrics.mean_squared_error(predicted_stock_price, real_stock_price) RMSE = metrics.mean_squared_error(predicted_stock_price, real_stock_price)**0.5 MAE = metrics.mean_absolute_error(predicted_stock_price, real_stock_price) R2 = metrics.r2_score(predicted_stock_price, real_stock_price) print('均方误差: %.5f' % MSE) print('均方根误差: %.5f' % RMSE) print('平均绝对误差: %.5f' % MAE) print('R2: %.5f' % R2)
🌹写在最后💖：
路漫漫其修远兮，吾将上下而求索！伙伴们，再见！🌹🌹🌹
