最近,我试图完成一个神经网络,以Keras作为神经网络的框架,Quandl作为检索历史股票价格的数据库,来预测股票市场上单个股票价格的波动;该程序的代码是在Google Col堕胎集成开发环境中完成的,程序如下所示:
import tensorflow as tf
import keras
import numpy as np
import quandl
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import pandas as pd
df = quandl.get
我是tensorflow的菜鸟。所以我在玩Xor问题,我的问题是,在tensorflow中你是如何预测的。所以当我输入1,0时,我希望它给我1或0。另外,在另一种情况下,如果它是一个模型,它意味着有超过多个值(回归者),如股票。我该怎么做谢谢。到目前为止我得到了这么多:
import tensorflow as tf
import numpy as np
X = tf.placeholder(tf.float32, shape=([4,2]), name = "Input")
y = tf.placeholder(tf.float32, shape=([4,1]), name
我有一个基本的tensorflow服务的码头集装箱,暴露在库伯内特斯吊舱模型。
FROM tensorflow/serving:2.6.0
RUN mkdir /serving_model
WORKDIR /serving_model
COPY src/serving_model /serving_model
EXPOSE 5225 #(5225 is the port all the pods talk to each other on)
ENTRYPOINT tensorflow_model_server --rest_api_port=5225 --model_name=MyMod
我对随机森林回归有一个深刻的理解。目标是一个大学项目:我们要用R中的财务数据做随机森林回归分析,我已经读了很多小时的随机森林例子,它们大多是分类类型,比如预测股票价值是上升还是下降。万一退步,我就站在线上。我的想法如下:
如果我有如下结构的数据集:
Date | Open | High | Low | Close | Volume
...I可以添加一些技术仪器,如RSI、SMA等。
然后将数据集分解为训练和测试数据,执行随机森林过程,并对测试数据进行预测。但这真的是随机森林回归分析的目的吗?我猜一个“正确的”回归分析是比较两只股票,看看它们是否相关,根据另一只股票预测一只股票的价值--但在没有
我只是在测试kaggle 的这个模型,这个模型应该比给定的最后一组股票提前1天预测。在调整了几个参数之后,我得到了令人惊讶的好结果,正如您所看到的。
均方误差为5.193,所以总的来说,它看起来很好地预测未来的股票,对吗?好吧,当我仔细观察结果时,结果是很可怕的。
正如你所看到的,这个模型预测的是给定股票的最后价值,这是我们目前的最后一只股票。
所以我把预测调整到后退一步。
因此,现在你可以清楚地看到,模型是预测一个倒退或最后一个股票价格,而不是未来的股票预测。
这是我的训练数据
# So for each element of training set, we have 30 prev
我想评估tensorflow模型的自定义输入,如何做到这一点?我有下面的工作tensorflow代码
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.layers import Flatten, Dense
import numpy as np
import pandas as pd
all_data, all_labels = np.resize(np.linspace(0,50,100),[1000,3]), np.random.randint(0,2,[1000])
def build
我看到错误说预测函数出了问题,我试着读了关于这些错误的文章,我不明白它们的意思。
我有一个一维数组(向量),我试图用它来预测一个文件是否是病毒。
这是我现在改进的代码(谢谢)
import tkinter as Tk
from tkinter import filedialog
from tensorflow import keras
import vector_build
model = keras.models.load_model("anti_virus_model.h5")
def predict_file(fname):
print(fname) #
我正在尝试将笔记本"“改编成我自己的数据集。Keras模型已经生成并转换为Tensorflow模型(使用tensorflowjs_converter --input_format keras us.keras tfjs_model/us),我现在尝试将它与tensorflow.js一起使用,但是当使用tensorflow.js时,预测结果是不同的(错误的)。
下面是预测Python代码,它给出了正确的结果:
from keras.preprocessing import image
from tensorflow import keras
import numpy as np
art
我是CNN和机器学习的新手,我一直在努力学习TensorFlow的图像分类教程。
现在,Google可以找到了。我一直在跟踪 of TensorFlow。我稍微修改了一下,所以它将模型保存为h5格式而不是tf格式,这样我就可以使用Keras‘model.predict_classes了。
现在,我已经训练了模型,模型从保存的模型重新加载,好的。但是,每当我试图预测图像时,我就反复得到list index out of range错误,我就是这样做的:
def predict():
image = tf.io.read_file('target.jpeg')
image
我已经构建了一个非常简单的TensorFlow Keras模型,只有一个密集的层。它在GradientTape块之外工作得很好,但在GradientTape块内部它会引发LookupError: No gradient defined for operation 'IteratorGetNext' (op type: IteratorGetNext)
要重现的代码:
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import tensorflow
我正在测试加载TensorFlow.js模型,并试图测量预测所需的毫秒数。例如,第一次,预测值大约需要300毫秒,但从第二次试验开始,时间缩短到13~20毫秒。我不是在计算模型加载的时间。我只计算模型加载后的预测值。
有人能解释为什么预测价值的时间会缩短吗?
// Calling TensorFlow.js model
const MODEL_URL = 'https://xxxx-xxxx-xxxx.xxx.xxx-xxxx-x.xxxxxx.com/model.json'
let model;
let prediction;
export async function ge
我刚刚在我的自定义数据集(1675个训练图像,400个验证图像,2个类)上从头开始训练inceptionv3:
我不知道如何使用我的新训练的模型对我的测试图像进行预测。(在哪里可以将label_image.py指向模型)
我新训练的模特是从哪里得救的?
下面是关于我的设置/运行的一些元数据:
我在train_dir中生成了以下文件:
- events.out.tfevents.1481980070.airig-Inspiron-7559(4.9GB)
- graph.pbtxt(18.5MB)
- and a bunch of **model.ckpt-**_**.meta