神经网络逼近股票价格

　　之前简单的看完视频教程，自己没有好好总结，没有去细究为什么要这样选择，只是模棱两可的灌输进去。今天小组成员大家一起讨论了一番，提出了很多细节上的问题，总结一番，发现很有收获，果然啊，一个人的思维还是太窄了。

　　首先先说一下案例：输入[i for i in range(15)],预测price，数据就是15天的股票价格。这个案例非常简单，”特征“就是日期（也就是影响因素），但本身这样的预测是没有任何实用价值的。仅用于学习神经网络和tensoflow因此不必纠结于此。

　　逻辑过程：

　　

x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])

# B
w1 = tf.Variable(tf.random_uniform([1,10],0,1),dtype=tf.float32)
b1 = tf.Variable(tf.zeros([1,10]))
wb1 = tf.matmul(x,w1)+b1
layer1 = tf.nn.relu(wb1) # 激活函数

# C
w2 = tf.Variable(tf.random_uniform([10,1],0,1),dtype=tf.float32)
b2 = tf.Variable(tf.zeros([15,1]),dtype=tf.float32)
wb2 = tf.matmul(layer1,w2)+b2
layer2 = tf.nn.relu(wb2)

loss = tf.reduce_mean(tf.square(y-layer2))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(10000):
        sess.run(train_step,feed_dict={x:dateNormal,y:priceNormal})
    pred = sess.run(layer2,feed_dict={x:dateNormal})
    predPrice = np.zeros([15,1])
    for i in range(0,15):
        predPrice[i,0] = (pred*3000)[i,0]
    plt.plot(date,predPrice,'b',lw=1)
    
plt.show()

　　

其中遇到的问题：

1. 就是说隐藏层的节点数如何确定，发现确实只能使用经验法则，一般常用的公式：

2. 矩阵相加np.zeros([15,10]) + np.zeros([1,10])违背线代，但是电脑自动补成[1*15,10]

3. 归一化的问题，输入：np.array([i for i in range(15)])/14，预测y/3000.

　最常用的有最值归一化和均值标准差归一化。

矩阵加减运算，np.expand_dims()增加维数，再进行加减