CNNS for Financial Time Series and Satellite Images 03

最新推荐文章于 2024-05-18 12:43:38 发布
最新推荐文章于 2024-05-18 12:43:38 发布
阅读量106 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_50930845/article/details/118678339
版权

本系列文章为《Machine Learning for Algorithmic Trading》第十八章 CNNS for Financial Time Series and Satellite Images 中代码复现。

03 CIFAR10 图像分类

我们将使用 CIFAR10 数据集，该数据集使用 60,000 个 ImageNet 样本，压缩为 32x32 像素分辨率（从原始的 224x224），但仍具有三个颜色通道。 最初的 1,000 个类中只有 10 个。

Imports
在这里插入图片描述下载 CIFAR-10 数据集
在这里插入图片描述可视化前 30 个训练图像
在这里插入图片描述在这里插入图片描述
重新缩放图像
在这里插入图片描述训练-测试拆分
在这里插入图片描述在这里插入图片描述

前馈神经网络 我们首先在 50,000 个训练样本上训练一个两层前馈网络，训练 20 个 epochs，以达到 44.22% 的测试准确率。
我们还用 500K 参数的三层卷积网络进行了实验，测试准确率为 67.07%。

模型架构
在这里插入图片描述编译模型
在这里插入图片描述定义回测
在这里插入图片描述训练模型
在这里插入图片描述绘制CV图
在这里插入图片描述加载产生最佳验证准确度的权重
在这里插入图片描述测试准确性在这里插入图片描述
CNN模型架构
在这里插入图片描述在这里插入图片描述在这里插入图片描述编译模型
在这里插入图片描述定义回测
在这里插入图片描述训练模型
在这里插入图片描述绘制CV图
在这里插入图片描述在这里插入图片描述
评估预测
在这里插入图片描述在这里插入图片描述

带有图像增强的 CNN
提高性能的一个常见技巧是通过创建合成数据人为地增加训练集的大小。 这涉及随机移动或水平翻转图像，或将噪声引入图像。

在这里插入图片描述在这里插入图片描述可视化训练数据的子集

结果显示了增强图像是如何按预期以各种方式改变的

在这里插入图片描述在这里插入图片描述在这里插入图片描述
定义回测
训练增强图像
在这里插入图片描述
CV图
在这里插入图片描述准确性
在这里插入图片描述
AlexNet

我们还需要简化 AlexNet 架构，以应对 CIFAR10 图像相对于竞赛中使用的 ImageNet 样本的较低维度。

模型架构
在这里插入图片描述在这里插入图片描述在这里插入图片描述
在这里插入图片描述
编译模型
定义回测
训练模型（代码参照上文）
CV图
在这里插入图片描述准确性在这里插入图片描述
比较结果
在这里插入图片描述在这里插入图片描述

王春晖hitwh
关注
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
Deep Learning for Time Series Forecasting
10-05
《深度学习用于时间序列预测》是一本探讨如何利用Python中的多层感知机（MLPs）、卷积神经网络（CNNs）和长短时记忆网络（LSTMs）进行未来预测的专著。时间序列分析在诸多领域，如金融、气象、能源、物联网等，都...
CNNS for Financial Time Series and Satellite Images 04
m0_50930845的博客
07-12 84
本系列文章为《Machine Learning for Algorithmic Trading》第十八章 CNNS for Financial Time Series and Satellite Images 中代码复现。 04 如何将 CNN 与时间序列数据一起使用 时间序列的常规测量会产生与我们迄今为止关注的图像数据类似的网格状数据结构。 因此，我们可以将 CNN 架构用于单变量和多变量时间序列。 在后一种情况下，我们将不同的时间序列视为通道，类似于不同的颜色信号。 Imports &.
CNNS for Financial Time Series and Satellite Images 06
m0_50930845的博客
07-12 244
本系列文章为《Machine Learning for Algorithmic Trading》第十八章 CNNS for Financial Time Series and Satellite Images 中代码复现。 06 用于交易的CNN - 第 2 部分：从时间序列特征到聚类图像 Imports & Settings 导入模型数据 使用互信息选择特征 为此，我们估计每个指标的互信息以及与我们的目标（一日远期收益）相关的 15 个区间。我们随机抽样100,000 个观察值。 .
CNNS for Financial Time Series and Satellite Images 07
m0_50930845的博客
07-12 211
本系列文章为《Machine Learning for Algorithmic Trading》第十八章 CNNS for Financial Time Series and Satellite Images 中代码复现。 07 用于交易的 CNN - 第 3 部分：训练和评估 CNN Imports 加载模型数据 卷积神经网络 我们创建了一个 CNN，该 CNN 具有 2 个卷积层，内核大小分别为 3 和 16 和 32 个滤波器，然后是大小为2的最大池化层。我们将最后一叠过滤器的输出展平，并将.
CNNS for Financial Time Series and Satellite Images 05
m0_50930845的博客
07-12 105
本系列文章为《Machine Learning for Algorithmic Trading》第十八章 CNNS for Financial Time Series and Satellite Images 中代码复现。 05 用于交易的 CNN—第 1 部分：特征工程 Imports & Settings 构建数据库 下载股票价格和元数据 挑选500只交易量大的股票 生成技术指标因素 第一种是相对强弱指数 第二种是BOLL指标 第三种平均真实波幅归一化 第四种百分比价格震荡指标（PP.
CNNS for Financial Time Series and Satellite Images 02
m0_50930845的博客
07-12 94
本系列文章为《Machine Learning for Algorithmic Trading》第十八章 CNNS for Financial Time Series and Satellite Images 中代码复现。 02 使用前馈神经网络和 LetNet5 进行基本图像分类 导入所需模块以及作图工具 导入MNIST数据库 原始 MNIST 数据集包含 60,000 张 28x28 像素分辨率的图像，单个灰度包含从 0 到 9 的手写数字。 可视化数据 可视化前 10 个训练图像 下图显示.
CNNS for Financial Time Series and Satellite Images 01
m0_50930845的博客
07-12 73
本系列文章为《Machine Learning for Algorithmic Trading》第十八章 CNNS for Financial Time Series and Satellite Images 中代码复现。 01 可视化图像过滤器 导入需要的模块以及作图工具 导入图片 指定过滤器 可视化每个过滤器的激活图 定义单层CNN 应用卷积滤波器并返回输出 ...
最新-时间序列-顶会顶刊论文汇总【论文/源码链接】
weixin_45016199的博客
05-18 2600
这半年我一直在看时间序列相关的论文，这篇汇总非常有用，全是干货。顶会顶刊，开源代码。祝学习愉快！【搬运自github】【侵删】
Deep Learning for Time Series Forecasting - by Jason Brownlee
06-26
Deep Learning for Time Series Forecasting Predict the Future with MLPs, CNNs and LSTMs in Python Jason Brownlee 5 25 step-by-step lessons, 575 pages. 深度学习方法为时间系列预测提供了许多希望，例如...
时间序列预测：Forecasting the Time Series of Apple Inc.'s Stock
08-05
时间序列预测是一项重要的数据分析技术，它利用统计学方法对未来某段时间内的数据变化趋势进行预测。在金融领域，时间序列预测被广泛应用于股票价格预测，其中，对于科技巨头苹果公司（Apple Inc.）的股票价格进行...
Graph CNNs with Motif and Variable Temporal Block for Skeleton-based Action
02-07
### 图卷积神经网络在基于骨架的动作识别中的应用 #### 概述 本文介绍了一种新的图卷积神经网络（Graph Convolutional Networks, GCNs）模型，该模型结合了基于模体（motif-based）的图卷积以及可变时间密集块...
AI企联系统 Ai企业级系统开心版 uniapp适配 Web+H5+微信小程序+抖音小程序+双端APP
11-12
AI企联系统 Ai企业级系统开心版 uniapp适配 Web+H5+微信小程序+抖音小程序+双端APP 一款市面上新出的AI企联系统，项目uniapp开发的，支持3.5 4.0 Mj，此套系统5端适配，Web+H5+微信小程序+抖音小程序+双端APP，支持流量主! 自己有能力的可以二开，UI后台也可以自己改。
2000d.doc
11-12
2000d
通过SpringCloud实现微服务：Eureka+Ribbon+Feign+Zuul.zip
11-12
根据书籍《Java微服务架构实践》提供源码，通过SpringCloud实现微服务：Eureka+Ribbon+Feign+Zuul
基于CNN-BiLSTM-Adaboost的自行车租赁数量预测研究附Matlab代码.rar
11-12
1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
C2005.doc
11-12
C2005
4251_142859321.html
最新发布
11-12
4251_142859321.html
【重磅，更新！！】中国各地级市名义GDP、实际GDP和平减指数面板数据（2000-2023年）
11-12
1、资源内容地址：https://editor.csdn.net/md/?articleId=143720799 2、数据特点：今年全新，手工精心整理，放心引用，数据来自权威，且标注《数据来源》，相对于其他人的控制变量数据准确很多,适合写论文做实证用 ，不会出现数据造假问题 3、适用对象：大学生，本科生，研究生小白可用，容易上手！！！ 4、课程引用: 经济学，地理学，城市规划与城市研究，公共政策与管理，社会学，商业与管理
python time series predict model multi
03-31
In a multivariate time series prediction context, CNNs can take multiple time series as inputs and predict multiple output time series. 4. Support Vector Regression (SVR): SVR is a machine learning ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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