一、简介 1. 目标: 已知股票的「开盘价」和「收盘价」,利用神经网络来预测「收盘均价」 2. 数据源: 日期(data): [ 1. 2. 3. 4. 5. 6. 7. 8. 9
用于分类的多层感知器 是否有可能创建一个神经网络来预测一组交易指标的日常市场走势? 我们将使用Tensorflow创建和开发一个简单的模型框架,以及提出一些对初步结果改进的意见。 ML的任务和
交叉熵的作用 通过神经网络解决多分类问题时,最常用的一种方式就是在最后一层设置n个输出节点,无论在浅层神经网络还是在CNN中都是如此,比如,在AlexNet中最后的输出层有1000个节点: 而即便是
由于深度神经网络(DNN)层数很多,每次训练都是逐层由后至前传递。传递项<1,梯度可能变得非常小趋于0,以此来训练网络几乎不会有什么变化,即vanishing gradients problem;或者
神经网络的预备知识 为什么要用神经网络? 特征提取的高效性。 大家可能会疑惑,对于同一个分类任务,我们可以用机器学习的算法来做,为什么要用神经网络呢?大家回顾一下,一个分类任务,我们在用机器学习算法
笔记1中我们利用 numpy 搭建了神经网络最简单的结构单元:感知机。笔记2将继续学习如何手动搭建神经网络。我们将学习如何利用 numpy 搭建一个含单隐层的神经网络。单隐层顾名思义,即仅含一
导读: 调试神经网络是一项艰难的工作,专家也不例外。面对数百万的参数,任何一个小变动都可能使你前功尽弃。没有调试和可视化,所有你的行动就像抛硬币,而且更糟糕的是还浪费时间。下面是我搜集的实践汇总,希望
深度学习的具体模型及方法 1、自动编码器(AutoEncoder ) 2、稀疏自动编码器(Sparse AutoEncoder) 3、限制波尔兹曼机(Restricted Boltzmann Mach
RNN简介 RNN 不同于传统神经网络的感知机的最大特征就是跟时间挂上钩,即包含了一个循环的网络,就是下一时间的结果不仅受下一时间的输入的影响,也受上一时间输出的影响,进一步地说就是信息具有持久的影响
参照 char-rnn-tensorflow,使用RNN的字符模型,学习并生成古诗。 准备环境 tensorflow 训练 python train.py在使用GPU的情况下,两个小时内即可
前言 深度学习技术在交易中的研究 深度学习最近受到了很多关注,特别是在图像分类和语音识别领域。然而,它的应用似乎并没有广泛应用到交易当中。这项调查涵盖了到目前为止作者(Greg Harris)发现
导读: 通过本篇文章可以对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。 每个算法都看了好几个视频,挑出讲的最清
这一篇我们会把神经网络这个框架完善,这一篇结束后,一个能跑的、自由度相当高的神经网路就新鲜出炉了。Again,由于实现是比较重要的,所以我们先不管接口、只把功能弄出来。同时需要指出的是,我们会用到损失
这一篇主要打算直观地说一下神经网络是什么,然后简单地介绍一个算法中的核心结构——层(Layer)。虽然扯上一些生物科学神经科学什么的可能会高大上一点,不过想了想还是算了……咳。那么说到神经网络想到的是