计算机视觉基础系列（python与opencv的操作与运用/tensorflow的基础介绍）（八）---小例子（神经网络逼近股票收盘价格）

这里我们运用简单的神经网络模拟一下股票的收盘价格，是一个学习的示例。

首先要知道，股票曲线图的参数意义：

这个曲线图主要记录股票的开盘价格和收盘价格，如果开盘价格低于收盘价格，那么证明这个股票在增长，每天的规律如此，所以，在下面，首先定义股票价格的座标图如下：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
data = np.linspace(1, 15, 15)            # linspace的功能用来创建等差数列
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])         # 收盘价格
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])       # 开盘价格
print(data)                             # 1-15天
plt.figure()
for i in range(0, 15):
    '''柱状图'''
    dateOne = np.zeros([2])             # 生成一个一行两列全为0的矩阵，分别赋值
    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)              # 如果收盘价格高于开盘价格，则柱状图为红色
    else:
        plt.plot(dateOne, priceOne, 'g', lw=8)              # 如果开盘价格高于收盘价格，则柱状图为绿色
plt.show()

画出来的结果图为：

首先，这个原始的柱状图，画出来了，股票图形的绘制就是这样了。接下来的就是神经网络的认识了：

首先矩阵相乘的知识，我们要知道：

L1(a,b)*L2(c,d)=L3(a,d)

矩阵的维度变化是这样的，行列的数是这个规律。接下来就是神经网络的结构的说明了：

首先，我们需要知道的是：神经网络是大体可以分为三层结构的，第一层（输入层）第二层（隐藏层，可以有多层）第三层（输出层），在我们的这个问题上，这里的输入层为日期，即为15天，且可以看作是一个15x1的矩阵，这里的隐藏层则可以规定为一个10x1的矩阵，这个隐藏层的设计可以根据数据来合理设计，这里的输出层和输入层一样，我们需要得到对应天数预测得到的股票的收盘的值，所以也是15x1。在这里，我们把输入矩阵看作是A，中间层即隐藏层看作是B，输出层（每天都股价）可以看作是C。

其次，我们需要知道的是中间层的值B，是由输入层的值乘以一个权重值w1，然后加上偏执值b1得到的，即可以用上图表示。同理，C的值也是如此。这个就是简单的神经网络结构，接下来，其中神经网络的细节如下：

这里一层到二层，二层到三层即为B的值怎么得到的，的值怎么得到的，上面也有比较详细的叙述，然后接下来，我们需要知道的是其中神经网网络整个数据的维度的变化了，以上图可以看出，经过一系列的运算，最后输入和输出的维度是相同的。

最后，我们需要知道的是，其中神经网络的调参的过程了，如果说第一次循环的神经网络得到的预测值是2400，然后实际值是2511，这里预测值和实际值是相差111点的，所以，我们的目的是将这个预测值和实际值缩小，而这里的预测值是C，能够让C变化，更贴近真实值，我们这里的输入A变不了，而B又是由A得到的，所以能变的就是这些W1和B1，W2和B2这些值了，我们利用梯度下降法来减少真实值和预测值的差异，（此处先不讲梯度下降，之后的博客会进行相应的更新说明），经过一次次的循环训练，我们会将这四个参数值进行调节，调节至预测值和真实值是我们想要的那个结果为止，或者说可以控制循环，我们要求循环多少次为止。

接下来就是实现整个神经网络的部分了，下面的代码中也有详细的介绍，相关注释对代码有一个大体的把握：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
data = np.linspace(1, 15, 15)            # linspace的功能用来创建等差数列
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])         # 收盘价格
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])       # 开盘价格
print(data)                             # 1-15天
plt.figure()
for i in range(0, 15):
    '''柱状图'''
    dateOne = np.zeros([2])             # 生成一个一行两列全为0的矩阵，分别赋值
    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)              # 如果收盘价格高于开盘价格，则柱状图为红色
    else:
        plt.plot(dateOne, priceOne, 'g', lw=8)              # 如果开盘价格高于收盘价格，则柱状图为绿色
# plt.show()
'''数据的归一化处理'''
'''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的定义，隐藏层
w1 = tf.Variable(tf.random_uniform([1, 10], 0, 1))       # 在0-1之间取10个数
b1 = tf.Variable(tf.zeros([1, 10]))                      # 建一个一行十列的矩阵
wb1 = tf.matmul(x, w1)+b1                                # 得到B
layer1 = tf.nn.relu(wb1)                                 # 激活函数，完成wb1的映射，以后再进行描述
# C的定义，输出层
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)
# 我们计算预测值，通过差异调参
loss = tf.reduce_mean(tf.square(y-layer2))             # 标准差的损失函数，之后再进行描述
# 定义我们每次调参的步长，我们选择梯度下降法，作用是缩小loss，减小预测值和真实值的差异，通过不断调整w和b
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())                   # 完成数据的初始化
    # 定义中止的条件，有两个，定义真实值和预测值之间的差异，比如说差别2%中止，或者说定义循环的次数,在这里定义循环100次中止
    for i in range(0, 1000):
        sess.run(train_step, feed_dict={x: dateNormal, y: priceNormal})
    # 经过10000次训练之后，输出了一组优化后的w1,w2,b1,b2。那么我们怎么检测这些参数呢/我们可以喂入之前的输出的值预测绘制相应的曲线去验证
    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]            # 这里乘以300是为了恢复预测值，之前处以了3000
    plt.plot(data, predictionPrice, 'b', lw=1)
plt.show()

下面是运行的结果图：

可以看出来，模拟的蓝色的曲线的预测值还是和真实值相对吻合的。