国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

TensorFlow-Bitcoin-Robot:一個基于 TensorFlow LSTM 的 Bi

Mertens / 2519人閱讀

摘要：對于以比特幣為首的數(shù)字貨幣近期的表現(xiàn)，只能用瘋狂來形容。比特幣的成交記錄就是事件序列上的加個數(shù)據(jù)，可以基于過去的成交記錄序列來對未來的價格作出預(yù)測，和的模型比較合適。最后采用了，用爬取，它包含比特幣的個交易記錄。

簡介

TensorFlow-Bitcoin-Robot:一個基于 TensorFlow LSTM 模型的 Bitcoin 價格預(yù)測機器人。

文章包括一下幾個部分：
1.為什么要嘗試做這個項目？
2.為什么選取了這個模型？
3.模型的數(shù)據(jù)從哪里來？
4.模型的優(yōu)化過程？
5.項目可以進一步提升的方向。

對于以比特幣為首的數(shù)字貨幣近期的表現(xiàn)，只能用瘋狂來形容。來自比特幣交易平臺的最新價格行情顯示，就在此前一天，比特幣盤中最高價格達到29838.5元，距離3萬元大關(guān)僅有咫尺之遙。比特幣最近火熱的行情，吸引了眾多的關(guān)注，還有一個人工智能似乎無所不能，那么問題來了，能否用人工智能來進行比特幣交易呢？

使用什么模型來進行價格預(yù)測？現(xiàn)在熱門的 深度神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)，因為卷積神經(jīng)網(wǎng)絡(luò)更適合處理圖片，循環(huán)神經(jīng)網(wǎng)絡(luò)比較適合處理序列化內(nèi)容，尤其是 LSTM 是 RNN 的升級版。

LSTM（Long Short-Term Memory）是長短期記憶網(wǎng)絡(luò)，是一種時間遞歸神經(jīng)網(wǎng)絡(luò)，適合于處理和預(yù)測時間序列中間隔和延遲相對較長的重要事件。LSTM 已經(jīng)在科技領(lǐng)域有了多種應(yīng)用?；?LSTM 的系統(tǒng)可以學(xué)習(xí)翻譯語言、控制機器人、圖像分析、文檔摘要、語音識別圖像識別、手寫識別、控制聊天機器人、預(yù)測疾病、點擊率和股票、合成音樂等等任務(wù)。比特幣的成交記錄就是事件序列上的加個數(shù)據(jù)，可以基于過去的成交記錄序列來對未來的價格作出預(yù)測，和 LSTM 的模型比較合適。接下來的價格可以作為預(yù)測結(jié)果。

數(shù)據(jù)集

新的問題來了，數(shù)據(jù)從哪里來？
需要的數(shù)據(jù)是一個包含成交價格的序列，然后可以截取一部分作為輸入值，接下來的一部分作為預(yù)測值。后來找了一下，主流的交易平臺都提供了部分歷史數(shù)據(jù)，但都不是很多。最后采用了 btctrade ，用 requests 爬取，它包含比特幣的 50 個交易記錄。

獲取數(shù)據(jù)集的腳本
get_trades.py 會獲取這些交易記錄，重新轉(zhuǎn)化為 json ,并且用圖片的方式展示出來,供下一步數(shù)據(jù)分析使用。

運行前需要安裝的依賴：
為了爬取數(shù)據(jù)，需要使用 requests 庫，一個非常好用的 HTTP 庫。為了把交易的數(shù)據(jù)可視化，使用了 matplotlib。

pip install requests
pip install matplotlib

模型

rnn_predicter.py

使用 LSMT 模型。截取 10個交易記錄作為輸入，如果 第 11個價格比第10個高，就把輸出設(shè)置為 [1,0,0]，如果低就設(shè)置為 [0,0,1] ，如果相同 [0,1,0]。

for i in range(0,20):
    #print(price)
    one_predictor=np.array(price[i:i+20],dtype=float)
    #print(one_predictor)
    train_x.append(one_predictor)
    if(int(price[i+20])>int(price[i+21])):
        train_y.append(np.array([1,0,0]))
    elif (int(price[i + 20]) == int(price[i + 21])):
        train_y.append(np.array([0,1,0]))
    elif(int(price[i+20])

下一步定義模型：
tensorflow lstm 模型，需要把 tensor 拆分成序列，然后傳入模型。否則回報錯，也就是代碼中的 x = tf.unstack(x, n_steps, 1) 。


def RNN(x, weights, biases):
    #首先把數(shù)據(jù)拆分為 n 個序列，每一個的維度 (batch_size, n_input)
    x = tf.unstack(x, n_steps, 1)

    # 定一個 lstm cell
    lstm_cell = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)

    # 獲得 lstm 的輸出
    outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)
    # 加個線性激活
    return tf.matmul(outputs[-1], weights["out"]) + biases["out"]

獲得結(jié)果，定義損失函數(shù)和優(yōu)化函數(shù)

如何優(yōu)化模型？
預(yù)測值獲取之后，對比實際的價格，會有一個損失函數(shù)。損失函數(shù)使用 softmax_cross_entropy_with_logits 來計算預(yù)測值和標(biāo)記值的差，然后用 AdamOptimizer 來優(yōu)化損失函數(shù)優(yōu)化模型。


pred = RNN(x, weights, biases)
# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

# Evaluate model
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

項目開源地址和訓(xùn)練結(jié)果

https://github.com/TensorFlow...


訓(xùn)練設(shè)備：


GeForce GTX 980 Ti 


訓(xùn)練結(jié)果：


Iter 998000, Minibatch Loss= 0.730588, Training Accuracy= 0.75000 Optimization Finished!

后續(xù)更新發(fā)布

http://www.tensorflownews.com/

更新計劃

因為交易平臺提供的歷史交易記錄非常少，所以為了進一步提高訓(xùn)練效果，后續(xù)要持續(xù)的自己保存歷史交易數(shù)據(jù)或者是找到更好的數(shù)據(jù)來源。還有一個方面是，模型訓(xùn)練完了之后，保存下來，后續(xù)可以直接使用。還有針對模型本身還可以做一定的優(yōu)化，現(xiàn)在只是預(yù)測，漲，跌，維持，后續(xù)可以進行更加精細的評分，按照歷史數(shù)據(jù)進行回測等等。
模型持久化，訓(xùn)練數(shù)據(jù)集持久化，測試數(shù)據(jù)集。

文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。

轉(zhuǎn)載請注明本文地址：http://specialneedsforspecialkids.com/yun/40734.html

相關(guān)文章

  • TensorFlow-Bitcoin-Robot:Tensorflow 比特幣交易機器人

    摘要：簡介一個比特幣交易機器人基于模型，僅供娛樂。數(shù)據(jù)集數(shù)據(jù)來自，用爬取，它包含比特幣的個交易記錄。會獲取這些交易記錄并且用圖片的方式展示出來。訓(xùn)練結(jié)果之前的項目推薦后續(xù)更新發(fā)布更新計劃模型持久化，訓(xùn)練數(shù)據(jù)集持久化。 簡介 一個比特幣交易機器人基于 Tensorflow LSTM 模型，僅供娛樂。A Bitcoin trade robot based on Tensorflow LSTM m...

    entner 評論0 收藏0

  • ChatGirl is an AI ChatBot based on TensorFlow Seq2

    Introduction [Under developing,it is not working well yet.But you can just train,and run it.]ChatGirl is an AI ChatBot based on TensorFlow Seq2Seq Model. TensorFlowNews TensorFlow CNN Model Project:h...

    shmily 評論0 收藏0

  • 學(xué)習(xí)筆記CB012: LSTM 簡單實現(xiàn)、完整實現(xiàn)、torch、小說訓(xùn)練word2vec lstm機

    摘要：和分別是樣本輸入和輸出二進制值第位，對于每個樣本有兩個值，分別是和對應(yīng)第位。最簡單實現(xiàn)，沒有考慮偏置變量，只有兩個神經(jīng)元。存儲神經(jīng)元狀態(tài)，包括，是內(nèi)部狀態(tài)矩陣記憶，是隱藏層神經(jīng)元輸出矩陣。表示當(dāng)前時序表示時序記憶單元。下載甄環(huán)傳小說原文。 真正掌握一種算法，最實際的方法，完全手寫出來。 LSTM（Long Short Tem Memory）特殊遞歸神經(jīng)網(wǎng)絡(luò)，神經(jīng)元保存歷史記憶，解決自然...

    NickZhou 評論0 收藏0

  • 一個基于TensorFlow的簡單故事生成案例：帶你了解LSTM

    摘要：令人驚訝的是，創(chuàng)作出了一個有一定含義的故事。再次聲明，本文中的示例只為了簡化討論。這是由于精度依賴于初始參數(shù)的隨機設(shè)定。訓(xùn)練次數(shù)越多超過次精度也會相應(yīng)提高。 在深度學(xué)習(xí)中，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是一系列善于從序列數(shù)據(jù)中學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。由于對長期依賴問題的魯棒性，長短期記憶（LSTM）是一類已經(jīng)有實際應(yīng)用的循環(huán)神經(jīng)網(wǎng)絡(luò)。現(xiàn)在已有大量關(guān)于 LSTM 的文章和文獻，其中推薦如下兩篇：Goodfel...

    wizChen 評論0 收藏0

  • 自然語言理解-從規(guī)則到深度學(xué)習(xí)

    摘要：本文詳細討論了自然語言理解的難點，并進一步針對自然語言理解的兩個核心問題，詳細介紹了規(guī)則方法和深度學(xué)習(xí)的應(yīng)用。引言自然語言理解是人工智能的核心難題之一，也是目前智能語音交互和人機對話的核心難題。 摘要：自然語言理解是人工智能的核心難題之一，也是目前智能語音交互和人機對話的核心難題。之前寫過一篇文章自然語言理解，介紹了當(dāng)時NLU的系統(tǒng)方案，感興趣的可以再翻一番，里面介紹過的一些內(nèi)容不再贅...

    CntChen 評論0 收藏0

發(fā)表評論

0條評論

最新活動
閱讀需要支付1元查看
<