比特币交易实现过程代码 - 币圈消息

比特币交易实现过程代码篇11、解读分析。在上述GitHub库基础上，这些函数在dataset.py中定义。训练集和测试集根据80/20规律分开，因此，20%的测试数据是最新的比特币值。每个示例都包含40个美元数据点，特征轴/维度上是欧元数据。数据根据均值和标准差进行归一化处理，函数generate_x_y_data_v4生成尺寸为batch_size的训练数据的随机样本：。
2、将n_predictions测试结果可视化，nb_predictions取5，预测值用黄色圆点实际值用蓝色×符号表示。请注意，可以看出，即使是这个简单的模型也是相当准确的：。
3、克隆下面的GitHub存储库。这是一个鼓励用户尝试seq2seq神经网络架构的项目：。
4、核心思想是过去观察到的价格时间序列为未来价格提供了一个很好的预估器。以下是API文档的一部分：。
5、运行TensorBoard并可视化由RNN编码器和RNN解码器组成的网络：。
6、生成训练集、验证集和测试集，并定义一些超参数，例如batch_size、hidden_dim和layers_stacked_count。另外，定义一些用于微调优化器性能的参数，例如优化器的学习率、迭代次数、优化器模拟退火的lr_decay、优化器的动量以及避免过拟合的L2正则化。请注意，GitHub存储库默认batch_size=5和nb_iters=150，但我设置batch_size=1000和nb_iters=100000，已经获得了更好的结果：。
7、经MIT授权许可，本节将使用https：//github.com/guillaume-chevalier/seq2seq-signal-prediction中的代码!
8、结果如下：。比特币价格的预测是使用一个基于GRU基本单元的RNN组成的编码器–解码器。RNN非常擅长学习序列，事实上即使是只有两层和12个GRU单元的简单模型，比特币价格预测也是相当准确的。当然，这个预测代码并不是鼓励投资比特币，而只是讨论深度学习方法。而且，为了确认是否存在数据过度拟合的情况，需要进行更多的实验!
9、以下是代码的流程：。定义一个L2正则化损失函数，以避免过度拟合并具有更好的泛化能力。优化器选择RMSprop，其中learning_rate、decay和momentum的值在第3步中已给出：。
10、本节将介绍如何利用RNN预测未来的比特币价格!

比特币交易实现过程代码篇21、具体实现过程。生成训练数据并在数据集的batch_size示例上运行优化程序，为批量训练做好准备。同样，从数据集的batch_size示例生成测试数据，为测试做好准备。训练运行迭代次数为nb_iters+1，并每训练10次迭代来测试一次结果：。
2、将网络定义为由基本GRU单元组成的编码器–解码器。网络由layers_stacked_count=2个RNN组成，使用TensorBoard对网络进行可视化。请注意，hidden_dim=12是循环单元中隐藏的神经元：。
极客公园 , 版权所有丨如未注明 , 均为原创丨本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：比特币交易实现过程代码
喜欢 (0)