TensorFlow深度学习！构建神经网络预测股票价格！?( 二 ) _生活百科

文章插图

# 构建滑窗数据import numpy.libfrom numpy.lib.stride_tricks import sliding_window_viewdef genWindows(X_in, y_in, window_size):X_out = []y_out = []length = X_in.shape[0]for i in range(window_size, length):X_out.append(X_in[i-window_size:i, 0:4])y_out.append(y_in[i-1])return np.array(X_out), np.array(y_out)# 窗口大小为5window_size = 5X_train_win, y_train_win = genWindows(np.array(train_x), np.array(train_y), window_size)X_test_win, y_test_win = genWindows(np.array(test_x), np.array(test_y), window_size)

模型构建&训练构建完数据之后，我们就要构建 RNN 模型了，具体的代码如下所示。注意到下面使用了1个回调函数，模型会在验证集性能没有改善的情况下提前停止训练，防止模型过拟合影响泛化能力。

from tensorflow.keras import callbacks# 早停止 回调函数callback_early_stopping = callbacks.EarlyStopping(monitor="loss",patience=10,#look at last 10 epochsmin_delta=0.0001,#loss must improve by this amountrestore_best_weights=True,)from tensorflow import kerasfrom tensorflow.keras import layersfrom keras.models import Sequential# 构建RNN模型，结构为 输入-RNN-RNN-连续值输出input_shape=(X_train_win.shape[1],X_train_win.shape[2])print(input_shape)model = Sequential([layers.Input(shape=input_shape),layers.SimpleRNN(units=128, return_sequences=True),layers.SimpleRNN(64, return_sequences=False),layers.Dense(1, activation="linear"),])# 优化器optimizer = keras.optimizers.Nadam(learning_rate=0.0001)model.compile(optimizer=optimizer, loss="mse")# 模型结构总结model.summary()# 模型训练batch_size = 20epochs = 50history = model.fit(X_train_win, y_train_win,batch_size=batch_size, epochs=epochs,callbacks=[callback_early_stopping])

模型训练过程的损失函数（训练集上）的变化如下图所示。随着训练过程推进，模型损失不断优化，初期的优化和loss减小速度很快，后逐渐趋于平稳。

文章插图
大约 10 个 epoch 后达到了最佳结果，训练好的模型就可以用于后续预测了，我们可以先对训练集进行预测，验证一下在训练集上学习的效果。

# 训练集预测pred_train_y = model.predict(X_train_win)# 绘图plt.figure(figsize=(15, 6), dpi=80)plt.plot(np.array(train_y))plt.plot(pred_train_y)plt.legend(['Actual', 'Predictions'])plt.show()

模型在训练集上学习的效果还不错，大家可以看到预测结果和真实值对比绘图如下：

文章插图
模型预测&应用我们要评估模型的真实表现，需要在它没有见过的测试数据上评估，大家记得我们在数据切分的时候预留了 20% 的数据，下面我们用模型在这部分数据上预测并评估。

# 测试集预测pred_test_y = model.predict(X_test_win)# 预测结果绘制plt.figure(figsize=(15, 6), dpi=80)plt.plot(np.array(test_y))plt.plot(pred_test_y)plt.legend(['Actual', 'Predictions'])plt.show()