本文共 3970 字，大约阅读时间需要 13 分钟。
神经网络逼近股票收盘均价2
输入层、中间层隐藏层、输出层
输入矩阵A(15X1)
隐藏矩阵B(1X10)
输出矩阵C(15X1)
功能：
输入：天数
输出：每天股价
公式： Aw1+b1=B Bw2+b2=C
（A输入层矩阵 ）（B 中间层矩阵)（C 输出层矩阵)
权重矩阵w1 (1x10) w2(10x1)
偏置矩阵b1 (1x10) b2(15x1)
A(15x1) *w1(1x10)+b1(1x10)=B (15x10)
B(15x10)*w2(10x1)+b2(15x1)=C (15x1)
第一次循环使用简单数据
1次循环：A: 1天 w1w2b1b2（初始值0.1 0.2 0.3）---->C（预测出第一天的股价）
例如：预测值2400 实际值2511 差值111点
2次循环：
“梯度下降法” 目的：缩小预测值与实际值之间的差值
方法：修改权重w以及偏置b，得到新的预测值例如24500 差值61
一直循环，终止法一循环次数，法二差异控制，例如百分之二以内
最后输出最终的w与b
实质就是求直线的两个重要参数：斜率和偏移
# layer1：激励函数+乘加运算import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltdate = np.linspace(1,15,15)endPrice = np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08])beginPrice = np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])print('天数为：\n',date)print('收盘价格为：\n',endPrice)print('开盘价格为：\n',beginPrice)plt.figure()for i in range(0,15): # 1 柱状图 dateOne = np.zeros([2]) dateOne[0] = i; dateOne[1] = i; priceOne = np.zeros([2]) priceOne[0] = beginPrice[i] priceOne[1] = endPrice[i] if endPrice[i]>beginPrice[i]: plt.plot(dateOne,priceOne,'r',lw=8) else: plt.plot(dateOne,priceOne,'g',lw=8)#plt.show()# A(15x1)*w1(1x10)+b1(1*10) = B(15x10)# B(15x10)*w2(10x1)+b2(15x1) = C(15x1)# 1输入层 A 中间层B 输出C #方便计算进行归一化处理dateNormal = np.zeros([15,1]) #日期priceNormal = np.zeros([15,1]) #价格# 输入数据进行归一化处理（除法）for i in range(0,15): dateNormal[i,0] = i/14.0; #14.0浮点数 注意下标 priceNormal[i,0] = endPrice[i]/3000.0; #最大值不会超过3000x = tf.placeholder(tf.float32,[None,1]) # f.float32 制定当前数据类型 [None,1] N 行一列y = tf.placeholder(tf.float32,[None,1])# 定义隐藏层B# 由于梯度下降算法，要对权重w与偏移b进行修改，所以必须是变量Variablew1 = tf.Variable(tf.random_uniform([1,10],0,1)) # random_uniform随机值初始化 权重随机b1 = tf.Variable(tf.zeros([1,10])) # 偏移初始为0wb1 = tf.matmul(x,w1)+b1 # 公式运算 A(15x1)*w1(1x10)+b1(1*10) = B(15x10)layer1 = tf.nn.relu(wb1) # 激励函数，将结果进行映射，变为另外一种结果# 定义输出层Cw2 = tf.Variable(tf.random_uniform([10,1],0,1)) # 10行 1列b2 = tf.Variable(tf.zeros([15,1])) # 15 行 1列wb2 = tf.matmul(layer1,w2)+b2layer2 = tf.nn.relu(wb2) # #激励函数，将结果进行映射，变为另外一种结果# 计算预测值与实际值之间的差异loss = tf.reduce_mean(tf.square(y-layer2))#y 真实值 layer2 计算的预测值 reduce_mean均值 square开放 标准差# 使用梯度下降法GradientDescentOptimizertrain_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 参数1（0.1）每层调整0.1 目的减小loss minimize(loss)# 运行程序with tf.Session() as sess: # 完成变量初始化 sess.run(tf.global_variables_initializer()) # 开始训练 终止通过循环次数控制10000 for i in range(0,10000): # 输入已经归一化的dateNormal priceNormal sess.run(train_step,feed_dict={ x:dateNormal,y:priceNormal}) # 利用训练好的 w 和 b 给出预测结果 w1w2 b1b2 A + wb -->layer2 pred = sess.run(layer2,feed_dict={ x:dateNormal}) # 定义predPrice predPrice = np.zeros([15,1]) # 初始化 # 对15天数据完成价格计算预测， for i in range(0,15): predPrice[i,0]=(pred*3000)[i,0] # (pred*3000)[i,0]转化为i 行n列数据 #完成预测数据打印并绘制 print('预测价格：',predPrice) plt.plot(date,predPrice,'b',lw=1)plt.show()天数为： [ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15.]收盘价格为： [2511.9 2538.26 2510.68 2591.66 2732.98 2701.69 2701.29 2678.67 2726.5 2681.5 2739.17 2715.07 2823.58 2864.9 2919.08]开盘价格为： [2438.71 2500.88 2534.95 2512.52 2594.04 2743.26 2697.47 2695.24 2678.23 2722.13 2674.93 2744.13 2717.46 2832.73 2877.4 ]预测价格： [[2511.89672852] [2538.26318359] [2510.68310547] [2591.66162109] [2732.97851562] [2701.69165039] [2701.29077148] [2678.67016602] [2726.5 ] [2681.50048828] [2739.1706543 ] [2715.0715332 ] [2823.57836914] [2864.8984375 ] [2919.07836914]][2678.67016602]
[2726.5 ]
[2681.50048828]
[2739.1706543 ]
[2715.0715332 ]
[2823.57836914]
[2864.8984375 ]
[2919.07836914]]
转载地址：http://pyfr.baihongyu.com/