模型设计总结（2）

（1）输入数据处理。

从Tushare上爬取1991.7.1到2020.8.31 7127条数据，然后划分成6627条 和500条分别组成训练集和测试集。具体时间跨度为10天，每天的数据有8个特征，分别为收盘价，开盘价，最高点位，最低点位，昨日收盘点，涨跌点，涨跌幅（%），成交量（手）成交额（千元）,将10天的数据编为一组，即使用前10天的数据预测第11天的收盘价

本层输出格式为（None，10，8）None为组的个数不限制

并且对爬取的数据进行归一化处理，使其投影到（0,1）的范围内，目的是改变特征数据分布，让反向传播更加容易，

防止越到后面的特征数据分布越在0附近，这会导致梯度消失，网络收敛。

scaler = MinMaxScaler(feature_range=(0, 1))

scaler.fit(list_data1)

list_data1 = scaler.transform(list_data1)

（2） CNN主要由两部分组成：卷积层和池层。 卷积层计算：输入数据成功通过卷积层、池层在CNN中，对输入数据进行特征提取获得输出值。每个卷积层包含卷积核的完备性，其计算公式如公式所示：

L代表卷积层的输出 tanh是激励函数，x是输入数据，k是卷积核的权重，b是卷积核的偏移

卷积层的参数为   filters=32,  # 卷积层神经元（卷积核）数目， kernel_size=1,     # 感受野大小

activation=tf.nn.tanh，input_shape =(None,10,8)

通过1×1卷积操作提取出输入张量的重要特征，对数据进行升维操作。函数tanh，加入非线性激励。 1*1的卷积在前一层的学习表示上添加了非线性激励，提升网络的表达能力

本层输出格式为（None，10,   32）

在卷积运算之后，卷积层提取出数据的特征，但是提取出来的特征维数很高，所以为了解决这一问题，降低培训成本，在网络中，在卷积后加入一个池层图层以减少特征尺寸。