本文已参与「新人创作礼」活动， 一起开启掘金创作之路。

  👉引言💎

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：

  1. 选择模型

  2. 构建网络层

  3. 编译

  4. 训练

  5. 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！🌹🌹🌹