第四天:
1.在运行基础代码上进行改进,增添了保存预测数据和真实数据的功能:
2.对运用算法进行深度学习研究,对源代码改进,发现之前的代码中没有很细致的预测,最终输出结果没有考虑到提供的最后一天的数据:
3.尝试看不同的时间限制和训练集分类对结果的影响,发现用所有提供数据集建立模型并用全部数据集作为训练集的RSME效果最好。(保有疑问:因为利用的模型输入数据数量和输出数据数量一致,如果将最后一个输出数据作为第二天的预测结果,那RSME利用输入数据和对应输出数据进行计算的方法是否能反映模型的准确率?还是需要另外计算前一个输入数据得出的输出数据与现在的真实值之间的关系?)
第五天:
1.对昨天遗留问题进行信息搜集,希望可以得到解决
2.想要解决每次运行,虽然输入数据集相同但最后输出效果不同的问题(但open、close、high、low平均的RSME相似):
通过对CUDA_VISIBLE_DEVICES和PYTHONHASHSEED进行设置,可以解决,但是同时会导致四者的平均RSME从4-5变成80左右...如果再次调整其他参数应该也可以实现,但太麻烦了,所以在寻求其他方法
接下来要尝试通过保存模型所有参数(包括随机参数)重现效果。