tensorflow学习之一股票预测（BP神经网络回归预测）

本文仅以回归一个复杂数学表达式为例：
软件 ：ubuntu +numpy +tensorflow
硬件：GPU
神经网络的内容
一般，一个神经网络程序包含以下几部分内容。

1.数据表达和特征提取。对于一个非深度学习神经网络，主要影响其模型准确度的因素就是数据表达和特征提取。同样的一组数据，在欧式空间和非欧空间，就会有着不同的分布。有时候换一种思考问题的思路就会使得问题变得简单。所以选择合适的数据表达可以极大的降低解决问题的难度。同样，在机器学习中，特征的提取也不是一种简单的事。在一些复杂问题上，要通过人工的方式设计有效的特征集合，需要很多的时间和精力，有时甚至需要整个领域数十年的研究投入。例如，PCA独立成分分析就是特征提取中常用的手段之一。但是很多情况下，人为都很难提取出合适的特征。

由于不同问题下，可以提取不同的特征向量，这里将不做具体介绍。事实上深度学习解决的核心问题之一就是自动地将简单的特征组合成更加复杂的特征，并使用这些组合特征解决问题。

2.定义神经网络的结构。由神经网络发展的历史可知，不同结构的神经网络在不同的问题下得到的效果不同。因此分析问题，选择与问题合适的神经网络结构也同样重要。

3.训练神经网络的参数。使用训练数据集训练神经网络。主要是利用神经网络输出误差反向传播修正神经网络中的参数，甚至结构。反向传播过程中，步长选择对神经网络的训练有着重要的影响，在此基础上产生了多种训练方法。将在后面介绍。

4.使用训练好的神经网络预测未知数据。训练神经网络的目的就是对未知数据预测。
1.数据预处理

这里将使用自造的数据模拟实际数据，通过对自造的数据仿真，验证BP神经网络的拟合能力。模型将使用一个单输入单输出一阶惯性传递函数模型。模型结构如下所示