這裏我們運用簡單的神經網絡模擬一下股票的收盤價格，是一個學習的示例。
首先要知道，股票曲線圖的參數意義：
這個曲線圖主要記錄股票的開盤價格和收盤價格，如果開盤價格低於收盤價格，那麼證明這個股票在增長，每天的規律如此，所以，在下面，首先定義股票價格的座標圖如下：
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
data = np.linspace(1, 15, 15) # linspace的功能用來創建等差數列
endPrice = np.array([2511.6, 2538.6, 2510.3, 2591.6, 2732.9, 2701.69, 2702.69, 2703.69, 2704.69, 2721.69, 2711.69, 2711.69, 2721.69, 2731.69, 2741.69]) # 收盤價格
beginPrice = np.array([2438.7, 2500.9, 2534.9, 2512.6, 2594.6, 2743.26, 2753.26, 2752.26, 2754.26, 2751.26, 2732.26, 2725.26, 2745.26, 2756.26, 2737.26]) # 開盤價格
print(data) # 1-15天
plt.figure()
for i in range(0, 15):
'''柱狀圖'''
dateOne = np.zeros([2]) # 生成一個一行兩列全爲0的矩陣，分別賦值
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) # 如果收盤價格高於開盤價格，則柱狀圖爲紅色
else:
plt.plot(dateOne, priceOne, 'g', lw=8) # 如果開盤價格高於收盤價格，則柱狀圖爲綠色
plt.show()
畫出來的結果圖爲：
首先，這個原始的柱狀圖，畫出來了，股票圖形的繪製就是這樣了。接下來的就是神經網絡的認識了：
首先矩陣相乘的知識，我們要知道：
L1(a,b)*L2(c,d)=L3(a,d)
矩陣的維度變化是這樣的，行列的數是這個規律。接下來就是神經網絡的結構的說明了：
首先，我們需要知道的是：神經網絡是大體可以分爲三層結構的，第一層（輸入層）第二層（隱藏層，可以有多層）第三層（輸出層），在我們的這個問題上，這裏的輸入層爲日期，即爲15天，且可以看作是一個15x1的矩陣，這裏的隱藏層則可以規定爲一個10x1的矩陣，這個隱藏層的設計可以根據數據來合理設計，這裏的輸出層和輸入層一樣，我們需要得到對應天數預測得到的股票的收盤的值，所以也是15x1。在這裏，我們把輸入矩陣看作是A，中間層即隱藏層看作是B，輸出層（每天都股價）可以看作是C。
其次，我們需要知道的是中間層的值B，是由輸入層的值乘以一個權重值w1，然後加上偏執值b1得到的，即可以用上圖表示。同理，C的值也是如此。這個就是簡單的神經網絡結構，接下來，其中神經網絡的細節如下：
這裏一層到二層，二層到三層即爲B的值怎麼得到的，的值怎麼得到的，上面也有比較詳細的敘述，然後接下來，我們需要知道的是其中神經網網絡整個數據的維度的變化了，以上圖可以看出，經過一系列的運算，最後輸入和輸出的維度是相同的。
最後，我們需要知道的是，其中神經網絡的調參的過程了，如果說第一次循環的神經網絡得到的預測值是2400，然後實際值是2511，這裏預測值和實際值是相差111點的，所以，我們的目的是將這個預測值和實際值縮小，而這裏的預測值是C，能夠讓C變化，更貼近真實值，我們這裏的輸入A變不了，而B又是由A得到的，所以能變的就是這些W1和B1，W2和B2這些值了，我們利用梯度下降法來減少真實值和預測值的差異，（此處先不講梯度下降，之後的博客會進行相應的更新說明），經過一次次的循環訓練，我們會將這四個參數值進行調節，調節至預測值和真實值是我們想要的那個結果爲止，或者說可以控制循環，我們要求循環多少次爲止。
接下來就是實現整個神經網絡的部分了，下面的代碼中也有詳細的介紹，相關注釋對代碼有一個大體的把握：
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
data = np.linspace(1, 15, 15) # linspace的功能用來創建等差數列
endPrice = np.array([2511.6, 2538.6, 2510.3, 2591.6, 2732.9, 2701.69, 2702.69, 2703.69, 2704.69, 2721.69, 2711.69, 2711.69, 2721.69, 2731.69, 2741.69]) # 收盤價格
beginPrice = np.array([2438.7, 2500.9, 2534.9, 2512.6, 2594.6, 2743.26, 2753.26, 2752.26, 2754.26, 2751.26, 2732.26, 2725.26, 2745.26, 2756.26, 2737.26]) # 開盤價格
print(data) # 1-15天
plt.figure()
for i in range(0, 15):
'''柱狀圖'''
dateOne = np.zeros([2]) # 生成一個一行兩列全爲0的矩陣，分別賦值
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) # 如果收盤價格高於開盤價格，則柱狀圖爲紅色
else:
plt.plot(dateOne, priceOne, 'g', lw=8) # 如果開盤價格高於收盤價格，則柱狀圖爲綠色
# plt.show()
'''數據的歸一化處理'''
'''A(15x1)*W1(1x10)+b1(1x10)=B(15x10)'''
'''B(15x10)*W2（10x1)+b2(15x1)=C(15x1)'''
dateNormal = np.zeros([15, 1])
priceNormal = np.zeros([15, 1])
for i in range(0, 15):
dateNormal[i, 0] = i/14.0
priceNormal[i, 0] = endPrice[i]/3000.0
x = tf.placeholder(tf.float32, [None, 1])
y = tf.placeholder(tf.float32, [None, 1])
# B的定義，隱藏層
w1 = tf.Variable(tf.random_uniform([1, 10], 0, 1)) # 在0-1之間取10個數
b1 = tf.Variable(tf.zeros([1, 10])) # 建一個一行十列的矩陣
wb1 = tf.matmul(x, w1)+b1 # 得到B
layer1 = tf.nn.relu(wb1) # 激活函數，完成wb1的映射，以後再進行描述
# C的定義，輸出層
w2 = tf.Variable(tf.random_uniform([10, 1], 0, 1))
b2 = tf.Variable(tf.zeros([15, 1]))
wb2 = tf.matmul(layer1, w2)+b2
layer2 = tf.nn.relu(wb2)
# 我們計算預測值，通過差異調參
loss = tf.reduce_mean(tf.square(y-layer2)) # 標準差的損失函數，之後再進行描述
# 定義我們每次調參的步長，我們選擇梯度下降法，作用是縮小loss，減小預測值和真實值的差異，通過不斷調整w和b
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer()) # 完成數據的初始化
# 定義中止的條件，有兩個，定義真實值和預測值之間的差異，比如說差別2%中止，或者說定義循環的次數,在這裏定義循環100次中止
for i in range(0, 1000):
sess.run(train_step, feed_dict={x: dateNormal, y: priceNormal})
# 經過10000次訓練之後，輸出了一組優化後的w1,w2,b1,b2。那麼我們怎麼檢測這些參數呢/我們可以喂入之前的輸出的值預測繪製相應的曲線去驗證
prediction = sess.run(layer2, feed_dict={x: dateNormal})
predictionPrice = np.zeros([15, 1])
for i in range(0, 15):
predictionPrice[i, 0] = (prediction*3000)[i, 0] # 這裏乘以300是爲了恢復預測值，之前處以了3000
plt.plot(data, predictionPrice, 'b', lw=1)
plt.show()
下面是運行的結果圖：
可以看出來，模擬的藍色的曲線的預測值還是和真實值相對吻合的。