精华内容
下载资源
问答
  • 带火炬的卷积神经网络 卷积神经网络预测Minipong对象运行sprites代码以生成数据。 它将为您提供csv文件和png文件。
  • 卷积神经网络预测实例.rar
  • tensortfolw卷积神经网络预测验证码(无报错,可运行)!!!!
  • 为了解决这一难题,我们提出了一种使用卷积神经网络预测气味的愉悦度的模型。 发现使用卷积神经层的模型优于手动特征提取器。 实验结果表明,我们模型与人类之间的相关性超过90%。 我们的模型在区分绝对令人愉快和...
  • CNNsite:使用具有序列特征的卷积神经网络预测蛋白质中的DNA结合残基
  • 这里写自定义目录标题卷积神经网络预测函数出来的值一模一样是什么问题? 卷积神经网络预测函数出来的值一模一样是什么问题? 预测值predict一列下来一模一样,是过拟合呢还是欠拟合?太小白纠结了一个月了,求大神...

    卷积神经网络预测函数出来的值一模一样是什么问题?

    在这里插入图片描述
    预测值predict一列下来一模一样,是过拟合呢还是欠拟合?太小白纠结了一个月了,求大神指导

    `
    1.测试的代码:

    import joblib
    import numpy as np
    from com.lcg.version11 import model
    from com.lcg.version11 import Loading_pictures as lp
    
    # dnn = joblib.load("D:/python/data/model/model1.model")  # 加载模型
    # dnn = joblib.load("D:/python/data/model/model2.model")  # 加载模型
    dnn = joblib.load("D:/python/data/model/model3.model")  # 加载模型
    
    # 加载数据集
    A, B = lp.loaddata("D:/python/data/testdata")
    predictB = dnn.BatchPredict(A)
    
    print("predictB=", predictB)
    predictBB = np.array([np.argmax(one_hot) for one_hot in predictB])
    print("predictBB=", predictBB)
    realB = B
    print("realB",realB)
    realBB = np.array([np.argmax(one_hot) for one_hot in realB])
    print("realBB", realBB)
    from sklearn.metrics import accuracy_score
    
    # accuracy_score(predictYY, realYY)
    
    print("准确数=",accuracy_score(predictBB, realBB, normalize=False))
    print("准确率=",accuracy_score(predictBB, realBB))
    

    2.训练的代码:

    #---------训练1--------------
        dnn = md.DNN()
        # dnn.Add(CNN2D(3,3,2,10))
        # 卷积
        dnn.Add(md.CNN2D_MultiLayer(4, 4, 2, 10))
        # 池化
        dnn.Add(md.DMaxPooling2D(2, 2))
        yy = dnn.Forward(X[0])
        dnn.Add(md.CNN2D_MultiLayer(3, 3, 1, 5))
        yy2 = dnn.Forward(X[0])
        dnn.Add(md.DFlatten())
        # yy=dnn.Forward(X[0])
        dnn.Add(md.DDense(10, 'relu', bFixRange=False))
        dnn.Add(md.DDense(1))
        # dnn.Add(DDense(1,'relu'))
        # yy=dnn.BatchPredict(X)
        dnn.Compile()
        # ratio=dnn.AdjustWeightByComputingRatio(X,Y)
        # print(ratio)
        dnn.Fit(X, Y, 50)
        # 将模型持久化保存
        joblib.dump(dnn, "D:/python/data/model/model3.model")
    

    3.包含预测函数的dnn模型:

    class DNN:
    
        def __init__(self):
    
            self.layers = []
    
        # 在前一层的基础上继续追加层
        def Add(self, layer):
    
            self.layers.append(layer)
    
        def Forward(self, X):
    
            if myDebug == 1:
                print('dnn forward', X.shape)
    
            nL = len(self.layers)
    
            y = X
    
            for i in range(nL):
                y = self.layers[i].Forward(y)
            return y
    
            # 批预测
        def BatchPredict(self, X):
    
            self.predictY = []
    
            for k in range(X.shape[0]):
                self.predictY.append(self.Forward(X[k]))
                # print(np.array(self.predictY))
    
            self.predictY = np.array(self.predictY)
    
            return self.predictY
    
        def Compile(self, lossMethod='MSE'):
            # self.lossModel=Entropy()
    
            if lossMethod == 'MSE':
                self.lossModel = MSE()
    
            if lossMethod == 'CrossEntropy':
                self.lossModel = CrossEntropy()
    
            if lossMethod == 'SoftmaxCrossEntropy':
                self.lossModel = SoftmaxCrossEntropy()
    
        def FitOneRound(self, X, Y, iRound, epochs):
    
            loss = 0
    
            nL = len(self.layers)
    
            for k in range(X.shape[0]):
    
                y = self.Forward(X[k])
    
                loss += self.lossModel.loss(nx=y, ny=Y[k])
    
                dy = self.lossModel.backward()
    
                # print('k=',k,'y=',y,'realY=',Y[k],'dy=',dy)
                # dy=np.min(-1,np.max(dy,1))
    
                # print('type y=',type(y),'shape y',y.shape)
    
                # if  (np.linalg.norm(dy,1)>1):
                if (y.shape[0] == 1) and (np.linalg.norm(dy, 1) > 1):
    
                    if y > Y[k]:
                        dy = 1
                    else:
                        dy = -1
    
                step = 0.75 * (epochs - iRound) / epochs + 0.01
    
                # if iRound%10==0:
                #     print('iter',iteration,'k= ',k,' dy=',dy,'y=',y,'Yk=',Y[k])
    
                for i in range(nL):
                    dy = self.layers[nL - i - 1].Backward(dy)
    
                    self.layers[nL - i - 1].Learn()
    
            if (iRound % (int(epochs / 10)) == 0) or (iRound == epochs - 1):
                print('round=', iRound, 'loss=', loss)
    
    展开全文
  • 在python中应用,要求有opencv3.4,运行就可以看到检测效果图
  • 这是 Barak 和 Nishith 在斯坦福大学针对 CS231N 的国际象棋卷积神经网络项目! :-)
  • An Efficient Approach based on Multi-sources Information to Predict CircRNA-disease Associations Using Deep Convoltional Neural Network基于多源信息的深度卷积神经网络预测CircRNA疾病关联的有效方法 ...

    An Efficient Approach based on Multi-sources Information to Predict CircRNA-disease Associations Using Deep Convoltional Neural Network  基于多源信息的深度卷积神经网络预测CircRNA疾病关联的有效方法

    动机

    新兴证据表明,环状RNA(circRNA)在人类疾病中起着至关重要的作用。使用circRNA作为生物标志物,为我们诊断疾病和了解疾病发病机理提供了新的视角。然而,仅通过生物学实验来检测circRNA-疾病关联常常是盲目的,限于小规模,高成本耗时。因此,迫切需要可靠的计算方法,以快速大规模地推断潜在的circRNA-疾病关联并为生物学实验提供最有希望的候选者。

    结果

    在本文中,我们提出了一种基于多源信息并结合深度卷积神经网络的高效计算方法,以预测circRNA-疾病关联。该方法首先融合多源信息,包括疾病语义相似度,疾病高斯相互作用谱内核相似度和circRNA高斯相互作用谱内核相似度,然后通过卷积神经网络提取其隐藏的深层特征,最后将其发送到极限学习机。分类器进行预测。五重交叉验证结果表明,该方法在CIRCR2Disease数据集上的AUC为86.67%时,达到了87.21%的预测准确度和88.50%的灵敏度。与同一数据集上的最新SVM分类器和其他特征提取方法相比,所提出的模型取得了最佳结果。此外,我们还通过搜索已发表的文献获得了对预测结果的实验​​支持。结果,文献中证实了得分最高的15对circRNA疾病中的7对。这些结果表明,提出的模型是预测circRNA-疾病关联的合适方法,并且可以为生物学实验提供可靠的候选者。这项工作中探索的源代码和数据集可在以下位置获得:这些结果表明,提出的模型是预测circRNA-疾病关联的合适方法,并且可以为生物学实验提供可靠的候选者。这项工作中探索的源代码和数据集可在以下位置获得:这些结果表明,提出的模型是预测circRNA-疾病关联的合适方法,并且可以为生物学实验提供可靠的候选者。这项工作中探索的源代码和数据集可在以下位置获得:https://github.com/look0012/circRNA-Disease-association

    展开全文
  • 卷积神经网络项目是我在华泰实习的过程中做的一个项目,主要是用卷积神经网络预测股票的走势,现在对项目做一个总结。 报告详情: 【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五 ...

    卷积神经网络项目是我在华泰实习的过程中做的一个项目,主要是用卷积神经网络来预测股票的走势,现在对项目做一个总结。

    报告详情:

    【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五

    测试流程包含如下步骤:

    在这里插入图片描述

    数据获取:

    a)股票池:全A股。剔除ST股票,剔除每个截面期下一交易日停牌的股票,剔除上市3个月内的股票,每只股票视作一个样本。

    b)回测区间:2011年1月31日至2019年1月31日。

    特征和标签提取:每个自然月的最后一个交易日,计算82个因子暴露度,作为样本的原始特征,因子池如图表13和图表14所示。计算下一整个自然月的个股超额收益(以沪深300指数为基准),对于分类模型,选取下月收益排名前30%的股票作为正例(y = 1),后30%的股票作为负例(y = 0),作为样本的标签。对于回归模型,使用下个月的超额收益作为标签。

    特征预处理和二维数据生成

    a)中位数去极值:设第T期某因子在所有个股上的暴露度序列为 Di,DM为该序列中位数,DM1为序列|Di-DM|的中位数,则将序列Di中所有大于DM+5DM1的数重设为DM+5DM1,将序列Di中所有小于DM-5DM1的数重设为DM+5DM1;

    b)缺失值处理:得到新的因子暴露度序列后,将因子暴露度缺失的地方设为中信一级行业相同个股的平均值;

    c)行业市值中性化:将填充缺失值后的因子暴露度对行业哑变量和取对数后的市值做线性回归,取残差作为新的因子暴露度;

    d)标准化:将中性化处理后的因子暴露度序列减去其现在的均值、除以其标准差,得到一个新的近似服从N(0, 1)分布的序列。

    e)要使用卷积神经网络,需要提供二维的特征数据,我们按照图表3的形式,将某只股票多个截面期的因子数据组织成类似于图片的二维数据,总共82行(对应82个因子),5列(对应5个截面期),这样在每个月截面上,就可以得到上千张“股票图片”。

    滚动训练集和验证集的合成:由于月度滚动训练模型的时间开销较大,本文采用年度滚动训练方式,全体样本内外数据共分为九个阶段,如下图所示。例如预测2011年时,将2005-2010年共72个月数据合并作为样本内数据集;预测T年时,将T-6至T-1年的72个月合并作为样本内数据。

    样本内训练:使用卷积神经网络对训练集进行训练。

    交叉验证调参:随机取10%样本内的数据作为验证集,在训练的同时观察卷积神经网络在验证集上的表现,当验证集上的loss达到最小时,停止训练。

    样本外测试:确定最优参数后,以T月末截面期所有样本预处理后的特征作为模型的输入,得到每个样本的预测值f(x)。将预测值视作合成后的因子,进行单因子分层回测。

    模型评价:我们以分层回测和构建选股策略的结果作为模型评价标准。
    在这里插入图片描述

    展开全文
  • 它包含一个示例代码,该示例代码用于使用卷积神经网络预测钝体流的流体力。 该代码在MATLAB 2017b版本上开发,并使用MATLAB-Neural Networks Toolbox。 要使用此代码,用户必须确保他们具有MATLAB 2017b或带有Neural...
  • 【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五 【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九 卷积神经网络项目: 测试流程包含如下步骤: ...

    报告详情:

    【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五

    【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九

     

    卷积神经网络项目:

    测试流程包含如下步骤:

     

    1. 数据获取:

      a)股票池:全A股。剔除ST股票,剔除每个截面期下一交易日停牌的股票,剔除上市3个月内的股票,每只股票视作一个样本。

       

      b)回测区间:2011年1月31日至2019年1月31日。

    2. 特征和标签提取:每个自然月的最后一个交易日,计算82个因子暴露度,作为样本的原始特征,因子池如图表13和图表14所示。计算下一整个自然月的个股超额收益(以沪深300指数为基准),对于分类模型,选取下月收益排名前30%的股票作为正例(y = 1),后30%的股票作为负例(y = 0),作为样本的标签。对于回归模型,使用下个月的超额收益作为标签。

    3. 特征预处理和二维数据生成

      a)中位数去极值:设第T期某因子在所有个股上的暴露度序列为 Di,DM为该序列中位数,DM1为序列|Di-DM|的中位数,则将序列Di中所有大于DM+5DM1的数重设为DM+5DM1,将序列Di中所有小于DM-5DM1的数重设为DM+5DM1;

      b)缺失值处理:得到新的因子暴露度序列后,将因子暴露度缺失的地方设为中信一级行业相同个股的平均值;

      c)行业市值中性化:将填充缺失值后的因子暴露度对行业哑变量和取对数后的市值做线性回归,取残差作为新的因子暴露度;

      d)标准化:将中性化处理后的因子暴露度序列减去其现在的均值、除以其标准差,得到一个新的近似服从N(0, 1)分布的序列。

      e)要使用卷积神经网络,需要提供二维的特征数据,我们按照图表3的形式,将某只股票多个截面期的因子数据组织成类似于图片的二维数据,总共82行(对应82个因子),5列(对应5个截面期),这样在每个月截面上,就可以得到上千张“股票图片”。

    4. 滚动训练集和验证集的合成:由于月度滚动训练模型的时间开销较大,本文采用年度滚动训练方式,全体样本内外数据共分为九个阶段,如下图所示。例如预测2011年时,将2005-2010年共72个月数据合并作为样本内数据集;预测T年时,将T-6至T-1年的72个月合并作为样本内数据。

    5. 样本内训练:使用卷积神经网络对训练集进行训练。

    6. 交叉验证调参:随机取10%样本内的数据作为验证集,在训练的同时观察卷积神经网络在验证集上的表现,当验证集上的loss达到最小时,停止训练。

    7. 样本外测试:确定最优参数后,以T月末截面期所有样本预处理后的特征作为模型的输入,得到每个样本的预测值f(x)。将预测值视作合成后的因子,进行单因子分层回测。

    8. 模型评价:我们以分层回测和构建选股策略的结果作为模型评价标准。

    为了进行系统的对比,本文将会对比三个模型的测试结果:卷积神经网络、全连接神经网络和线性回归。其中卷积神经网络和全连接神经网络的主要参数如下:

    1. 卷积神经网络:

      (1)输入数据:每个股票样本包含82个因子,5个历史截面期,构成82*5的“股票图片”,其标签为1或0(涨或跌)。

      (2)卷积层:一层卷积层,包含10个5*5大小的卷积核。卷积核权重使用xavier初始化方法(一种保证激活值和梯度值方差不变的初始化方法,经实证适合于初始化卷积层)。深度学习——Xavier初始化方法

      (3)池化层:没有池化层。

      (4)全连接层:3层全连接层,分别包含100、70、40个神经元,连接权重使用truncated_normal初始化方法(截断的正态分布初始化方法,最为常用)。

      (5)Dropout率(神经元连接随机断开的比例):80%。

      (6)优化器和学习速率:RMSProp,0.001。

      (7)损失函数:交叉熵损失函数(二分类)。

       

       

    2. 全连接神经网络,为了能和卷积神经网络进行差异最小的对比,我们将全连接神经网络的参数设置如下:

      (1)输入数据:每个股票样本包含82个因子,5个历史截面期,构成82*5的“股票图片”,再将“股票图片”进行一维展开,作为输入数据,其标签为1或0(涨或跌)。

      (2)全连接层:4层全连接层,分别包含780、100、70、40个神经元,连接权重使用truncated_normal初始化方法。这里第一层全连接层的780个神经元等于卷积神经网络中卷积结果一维展开后得到的特征数目,780=(82-5+1)*10

      (3)Dropout率:80%。

      (4)优化器和学习速率:RMSProp,0.001。

      (5)损失函数:交叉熵损失函数(二分类)

    循环神经网络项目:

      由于神经网络模型训练缓慢且参数众多,难以借助本系列之前报告中所提到的网格搜索进行参数寻优。因此LSTM的参数设置中加入了一些经验选择的方法。具体参数选择如下:

    1.       输入维度(input_shape):70,对应70个因子。

    2.       输出维度(units):2,对应二分类。

    3.       输入序列数目(time_steps):5。这是循环神经网络独有的参数,即预测当前时点输出所使用的历史输入序列数目。在月频的多因子选股中,该参数太大会使得满足要求的样本太少(因为股票停牌造成因子缺失),太小又难以发挥循环神经网络的特性,因此设定为5,即预测下个月股票的涨跌使用过去5个月的因子为输入。

    4.       隐藏层数:2层。在测试中,我们发现1层隐藏层的LSTM预测能力有限,而2层以上的LSTM具有了不错的预测能力,因此把隐藏层数目定为2层,这兼顾了模型的预测能力和低复杂度。

    5.       隐藏层神经元数(units):每层都为100个。考虑到因子数目为70个,选择100个隐藏层神经元数顾了模型的预测能力和低复杂度。

    6.       随机断开输入神经元比率(dropout):0.2。该参数主要用来避免过拟合。

    7.       初始化权值方法(kernel_initializer):RandomUniform。使用正态分布初始化权值。

    8.       神经元激活函数(activation):tanh。这是LSTM中最常用的激活函数。

    9.       单个训练批次样本数(batch_size):1000。

    10.    优化器(optimizer):RMSProp。该优化函数相比随机梯度下降(SGD)收敛速度快很多,可以大大节省训练时间。

    11.    学习速率(learning_rate):0.001。该速率兼顾了收敛速度和收敛稳定性。

    12.    损失函数(loss function):categorical_crossentropy。该损失函数适合二分类情景。

     

            在设置了以上参数后,LSTM网络的结构如图15所示。可以看到,该模型的输入是一个5*70的向量,两个LSTM隐藏层都有100个神经元,每个隐藏层之后都有一次dropout,最后通过一个全连接层(Dense)输出,输出维度是2,对应二分类。Num代表输入模型的样本数量。

    循环神经网络正确率与AUC分析

            图16和图17展示了LSTM、GRU、传统RNN每一期样本外的正确率和AUC值随时间的变化情况。我们在2011-01-31 至 2017-10-31 的回测区间中分7 个阶段训练并测试模

    型,三种模型样本外平均AUC分别为0.5429,0.5576,0.5410,样本外平均正确率分别为58.57%,57.61%,56.85%。

     

    展开全文
  • 作者:Chuan Bai 编译:1+1=61前言金融市场主要处理时间序列方面的问题,围绕时间序列预测有大量的算法和工具。今天,我们使用CNN来基于回归进行预测,并与其他一些传统算法...
  • 该项目旨在使用卷积神经网络检测CAPTCHA的漏洞,以预测和解决python生成的CAPTCHA。 通过运行该程序,将在一个文件夹中生成特定数量的CAPTCHA,然后将其用作网络的训练集。 怎么跑? 要运行代码,需要以下python...
  • 卷积神经网络超详细介绍

    万次阅读 多人点赞 2018-09-19 10:16:59
    1、卷积神经网络的概念 2、 发展过程 3、如何利用CNN实现图像识别的任务 4、CNN的特征 5、CNN的求解 6、卷积神经网络注意事项 7、CNN发展综合介绍 8、LeNet-5结构分析 9、AlexNet 10、ZFNet 10.1 意义 ...
  • 人工神经网络作为人工智能的分支,在模式识别、分类预测等方面已...实验证明,卷积神经网络可以应用于地质储层参数预测,且预测精度较高,同时卷积神经网络的卷积特征为储层地质建模与测井资料解释提供了重要的支持。
  • 为了减少磨削温度过高给零件带来热损伤等的负面影响,并提高零件产量、质量,本文建立了基于卷积神经网络的平面磨削温度预测模型.首先通过有限元仿真获得温度数据,并进行预处理,然后利用Google开源深度学习工具...
  • 卷积神经网络大盘拐点预测

    千次阅读 2020-09-14 21:06:16
    简介 卷积神经网络(CNN)是目前最为成熟的深度学习模型,是近年来人工智能蓬勃发展的重要推手之一,其主要特点是通过卷积和池化操作进行自动的特征提取和特征...概括总结卷积神经网络在拐点预测上的原理 将卷积神经.
  • 基于时间卷积神经网络的概率预测

    千次阅读 2019-07-20 09:18:46
    基于时间卷积神经网络的概率预测 题目: Probabilistic Forecasting with Temporal Convolutional Neural Network 作者: Yitian Chen, Yanfei Kang, Yixiong Chen, Zizhuo Wang ...
  • 基于卷积神经网络的链接表示及预测方法
  • 使用卷积神经网络的单词预测
  • 使用卷积神经网络预测波士顿房价,采用一维卷积的模式。
  • 基于时间卷积神经网络的概率预测.pdf
  • 基于n-gram卷积神经网络的MoRF预测
  • MATLAB实现CNN(卷积神经网络)时间序列预测数据集
  • 分类预测 | MATLAB实现CNN(卷积神经网络)分类预测 目录分类预测 | MATLAB实现CNN(卷积神经网络)分类预测CNN分类框架CNN程序设计网络显示网络训练网络评估参考资料致谢 CNN分类框架 本次使用imageInputLayer、...
  • 托马斯·惠特玛(Thomas Huitema) 目标:使用卷积神经网络模型预测笔迹。 描述 这是我的第一个大型机器学习项目之一。 卷积神经网络模型是使用Tensorflow和Keras开发与培训的数据集来检测手写的数字。 在执行时,该...
  • 机器学习 卷积神经网络的股票预测 复旦大学 赵卫东 博士 wdzhao@ 基于卷积的股票预测-数据预处理 数据预处理 加窗window 每个窗口为一条样本 统计窗口内涨跌次数作为窗口的标记 将股票走势预测转化为分类问题 窗内涨...
  • 基于卷积神经网络(CNN)预测分子特性 导入库 from rdkit import Chem from rdkit.Chem.Crippen import MolLogP import numpy as np import torch import time 载入数据 maxlen = 64 with open('smiles.txt') as f...
  • 基于卷积神经网络和互联网新闻文本的股票趋势预测代码

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 58,546
精华内容 23,418
关键字:

卷积神经网络预测