【任务学习之二】

1、a.tolist:将array转换为列表

2、 

 today = account.current_date
today = Date.fromDateTime(account.current_date)    # 向前移动一个工作日
yesterday = cal.advanceDate(today, period)
yesterday = today.toDateTime()

在这里面,为什么会有Date.fromDateTime、cal.advanceDate和today.toDateTime?这三个究竟有什么区别?

3、

NetProfitGrowRate.columns和NetProfitGrowRate.set_index格式的一点想法:应该是列表+列表变换的命令

所以today.toDateTime()也应该是列表+列表变化的命令,也就是让today进行toDateTime的变化

那么:ep=NetProfitGrowRate['NetProfitGrowRate'].dropna().to_dict()  难道是说让NPGR这个列表中的NPGR列除缺失值,然后进行to_dict变换?

4、

ep=NetProfitGrowRate['NetProfitGrowRate'].dropna().to_dict() 

ep=ROE['ROE'].dropna().to_dict()

ep=RSI['RSI'].dropna().to_dict()

三个同时出现,这种格式是不是指ep有三列,每列被赋予不同的值?

看到这里,总感觉为什么python的语法这么随便难过比起matlab和pascal还有SAS而言,可以随便往上加,名称不怕重复...不过随便点儿也好吧

楼主觉得光看程序还是不够理解Python语句的,还是得看教程,边看教程,边读程序


3\ep

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
任务学习(Multi-task Learning, MTV)是一种机器学习方法,其中模型同时学习多个相关的任务,以共享知识和提高整体性能。在Python中,可以使用一些库如Keras、PyTorch等来实现多任务学习。以下是一个简单的使用Keras实现多任务网络的示例: ```python from keras.models import Model from keras.layers import Input, Dense, concatenate # 假设我们有两个任务任务A的输入层为x1,任务B的输入层为x2 input_task_A = Input(shape=(input_shape_A,)) input_task_B = Input(shape=(input_shape_B,)) # 对每个任务定义一个单独的隐藏层 hidden_layer_A = Dense(hidden_units, activation='relu')(input_task_A) hidden_layer_B = Dense(hidden_units, activation='relu')(input_task_B) # 定义两个任务的输出层 output_task_A = Dense(output_units_A, activation='softmax')(hidden_layer_A) output_task_B = Dense(output_units_B, activation='sigmoid')(hidden_layer_B) # 合并两个任务的输出 merged_output = concatenate([output_task_A, output_task_B]) # 创建一个完整的模型,共享部分参数 model = Model(inputs=[input_task_A, input_task_B], outputs=merged_output) # 编译模型,指定损失函数和优化器 model.compile(loss=['categorical_crossentropy', 'binary_crossentropy'], optimizer='adam', metrics=['accuracy']) # 训练模型 model.fit(x=[x1_train, x2_train], y=[y1_train, y2_train], epochs=num_epochs, batch_size=batch_size) ``` 在这个例子中,`input_shape_A`和`input_shape_B`是每个任务的输入维度,`hidden_units`是隐藏层神经元数量,`output_units_A`和`output_units_B`分别是两个任务的输出维度。`categorical_crossentropy`用于分类任务,`binary_crossentropy`用于回归或二分类任务
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