paddlepaddle入门学习-房价预测

 

1、数据读取

如何把数据放到模型里去训练呢?我们知道,基本的方法一般有两种:

  • 一次性加载到内存:模型训练时直接从内存中取数据,不需要大量的IO消耗,速度快,适合少量数据。
  • 加载到磁盘/HDFS/共享存储等:这样不用占用内存空间,在处理大量数据时一般采取这种方式,但是缺点是每次数据加载进来也是一次IO的开销,非常影响速度。

  在PaddlePaddle中我们可以有三种模式来读取数据:分别是reader、reader creator和reader decorator,这三者有什么区别呢?

  • reader:从本地、网络、分布式文件系统HDFS等读取数据,也可随机生成数据,并返回一个或多个数据项。

  • reader creator:一个返回reader的函数。

  • reader decorator:装饰器,可组合一个或多个reader。

我们先以reader为例,为房价数据(斯坦福吴恩达的公开课第一课举例的数据)创建一个reader:

  1. 创建一个reader,实质上是一个迭代器,每次返回一条数据(此处以房价数据为例)
reader = paddle.dataset.uci_housing.train()

  2. 创建一个shuffle_reader,把上一步的reader放进去,配置buf_size就可以读取buf_size大小的数据自动做shuffle,让数据打乱,随机化

shuffle_reader = paddle.reader.shuffle(reader,buf_size= 100)

  3.创建一个batch_reader,把上一步混洗好的shuffle_reader放进去,给定batch_size,即可创建。

batch_reader = paddle.batch(shuffle_reader,batch_size = 2)

  这三种方式也可以组合起来放一块:

reader = paddle.batch(
    paddle.reader.shuffle(
        uci_housing.train(),
    buf_size = 100),
    ba
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
paddlepaddle可以用来实现LSTM(Long Short-Term Memory)来进行股票预测。LSTM是一种深度学习模型,能够有效地处理时间序列数据,并且在处理长序列时具有优势。 首先,我们需要准备股票数据作为输入。可以使用paddlepaddle提供的数据处理模块,例如paddle.data等,来导入股票数据集,并进行预处理。预处理包括数据清洗、特征提取等,以便用于LSTM模型的训练和预测。 然后,我们可以使用paddlepaddle中的LSTM模型来建立股票预测模型。使用paddlepaddle的深度学习框架,我们可以方便地搭建和配置LSTM网络结构。LSTM网络通常由多个LSTM层组成,每个层中都有多个LSTM单元。这些层和单元的数量可以根据任务需求进行设置。 在模型搭建完成后,我们可以使用paddlepaddle提供的数据迭代器来对数据进行批量化处理,并将数据输入到LSTM模型中进行训练。训练的过程中,我们可以使用合适的损失函数(例如均方误差)来衡量模型的预测结果与真实值之间的差异。 完成模型的训练后,我们可以使用该模型对新的股票数据进行预测。通过将新数据输入到训练好的LSTM模型中,可以得到预测结果。这些预测结果可以用于股票的分析和决策制定。 总之,使用paddlepaddle实现LSTM来进行股票预测是一种有效的方法。paddlepaddle提供了丰富的深度学习模型和工具,可以方便地进行模型搭建、训练和预测。通过LSTM模型,我们可以更好地处理时间序列数据,从而提高股票预测的准确性。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值