python股票分析系統github的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

Python深度學習：基於PyTorch

為了解決python股票分析系統github的問題，作者吳茂貴鬱明敏楊本法李濤張粵磊 這樣論述：

這是一本基於*的Python和PyTorch版本的深度學習著作，旨在幫助讀者低門檻進入深度學習領域，輕鬆速掌握深度學習的理論知識和實踐方法，快速實現從入門到進階的轉變。 本書是多位元人工智慧技術專家和大資料技術專家多年工作經驗的結晶，從工具使用、技術原理、演算法設計、案例實現等多個維度對深度學習進行了系統的講解。內容選擇上，廣泛涉獵、重點突出、注重實戰；內容安排上，實例切入、由淺入深、循序漸進；表達形式上，深度抽象、化繁為簡、用圖說話。 本書共16章，分為三部分： 第一部分（第1~4章） PyTorch基礎 首先講解了機器學習和資料科學中必然會用到的工具Numpy的使用，然後從多個角度

講解了Pytorch的必備基礎知識，*後詳細講解了Pytorch的神經網路工具箱和資料處理工具箱。 第二部分（第5~8章） 深度學習基礎 這部分從技術原理、演算法設計、實踐技巧等維度講解了機器學習和深度學習的經典理理論、演算法以及提升深度學習模型性能的多種技巧，涵蓋視覺處理、NLP和生成式深度學習等主題。 第三部分（第9~16章） 深度學習實踐 這部分從工程實踐的角度講解了深度學習的工程方法和在一些熱門領域的實踐方案，具體包括人臉識別、圖像修復、圖像增強、風格遷移、中英文互譯、生成式對抗網路、對抗攻擊、強化學習、深度強化學習等內容。   吳茂貴 資深大資料和人工智

慧技術專家，就職于中國外匯交易中心，在BI、資料採擷與分析、資料倉庫、機器學習等領域工作超過20年。在基於Spark、TensorFlow、PyTorch、Keras等的機器學習和深度學習方面有大量的工程實踐實踐。著有《Python深度學習：基於TensorFlow》《深度實踐Spark機器學習》《自己動手做大資料系統》等著作。 郁明敏 資深商業分析師，從事互聯網金融演算法研究工作，專注於大資料、機器學習以及資料視覺化的相關領域，擅長 Python、Hadoop、Spark 等技術，擁有豐富的實戰經驗。曾獲“江蘇省TI杯大學生電子競技大賽”二等獎和“華為杯全國大學生數學建模大賽”二等獎。

楊本法 高級演算法工程師，在流程優化、資料分析、資料採擷等領域有10餘年實戰經驗，熟悉Hadoop和Spark技術棧。有大量工程實踐經驗，做過的專案包括：推薦系統、銷售預測系統、輿情監控系統、揀貨系統、報表視覺化、配送路線優化系統等。 李濤 資深AI技術工程師，對PyTorch、Caffe、TensorFlow等深度學習框架以及電腦視覺技術有深刻的理解和豐富的實踐經驗，曾經參與和主導過服務機器人、無人售後店、搜索排序等多個人工智慧相關的項目。 張粵磊 資深大資料技術專家，飛谷雲創始人，有10餘年一線資料資料採擷與分析實戰經驗。先後在諮詢、金融、互聯網行業擔任大資料平臺的技術負責人或

架構師。   前言 第一部分　PyTorch基礎 第1章　Numpy基礎2 1.1　生成Numpy陣列3 1.1.1　從已有資料中創建陣列3 1.1.2　利用random模組生成陣列4 1.1.3　創建特定形狀的多維陣列5 1.1.4　利用arange、linspace函數生成陣列6 1.2　獲取元素7 1.3　Numpy的算數運算9 1.3.1　對應元素相乘9 1.3.2　點積運算10 1.4　陣列變形11 1.4.1　更改陣列的形狀11 1.4.2　合併陣列14 1.5　批量處理16 1.6　通用函數17 1.7　廣播機制19 1.8　小結20 第2章　PyTor

ch基礎21 2.1　為何選擇PyTorch？21 2.2　安裝配置22 2.2.1　安裝CPU版PyTorch22 2.2.2　安裝GPU版PyTorch24 2.3　Jupyter Notebook環境配置26 2.4　Numpy與Tensor28 2.4.1　Tensor概述28 2.4.2　創建Tensor28 2.4.3　修改Tensor形狀30 2.4.4　索引操作31 2.4.5　廣播機制32 2.4.6　逐元素操作32 2.4.7　歸併操作33 2.4.8　比較操作34 2.4.9　矩陣操作35 2.4.10　PyTorch與Numpy比較35 2.5　Tensor與Autog

rad36 2.5.1　自動求導要點36 2.5.2　計算圖37 2.5.3　標量反向傳播38 2.5.4　非標量反向傳播39 2.6　使用Numpy實現機器學習41 2.7　使用Tensor及Antograd實現機器學習44 2.8　使用TensorFlow架構46 2.9　小結48 第3章　PyTorch神經網路工具箱49 3.1　神經網路核心元件49 3.2　實現神經網路實例50 3.2.1　背景說明51 3.2.2　準備數據52 3.2.3　視覺化來源資料53 3.2.4　構建模型53 3.2.5　訓練模型54 3.3　如何構建神經網路？56 3.3.1　構建網路層56 3.3.2　

前向傳播57 3.3.3　反向傳播57 3.3.4　訓練模型58 3.4　神經網路工具箱nn58 3.4.1　nn.Module58 3.4.2　nn.functional58 3.5　優化器59 3.6　動態修改學習率參數60 3.7　優化器比較60 3.8　小結62 第4章　PyTorch資料處理工具箱63 4.1　資料處理工具箱概述63 4.2　utils.data簡介64 4.3　torchvision簡介66 4.3.1　transforms67 4.3.2　ImageFolder67 4.4　視覺化工具69 4.4.1　tensorboardX簡介69 4.4.2　用tensor

boardX視覺化神經網路71 4.4.3　用tensorboardX視覺化損失值72 4.4.4　用tensorboardX視覺化特徵圖73 4.5　本章小結74 第二部分　深度學習基礎 第5章　機器學習基礎76 5.1　機器學習的基本任務76 5.1.1　監督學習77 5.1.2　無監督學習77 5.1.3　半監督學習78 5.1.4　強化學習78 5.2　機器學習一般流程78 5.2.1　明確目標79 5.2.2　收集資料79 5.2.3　資料探索與預處理79 5.2.4　選擇模型及損失函數80 5.2.5　評估及優化模型81 5.3　過擬合與欠擬合81 5.3.1　權重正則化82

5.3.2　Dropout正則化83 5.3.3　批量正則化86 5.3.4　權重初始化88 5.4　選擇合適啟動函數89 5.5　選擇合適的損失函數90 5.6　選擇合適優化器92 5.6.1　傳統梯度優化的不足93 5.6.2　動量演算法94 5.6.3　AdaGrad演算法96 5.6.4　RMSProp演算法97 5.6.5　Adam演算法98 5.7　GPU加速99 5.7.1　單GPU加速100 5.7.2　多GPU加速101 5.7.3　使用GPU注意事項104 5.8　本章小結104 第6章　視覺處理基礎105 6.1　卷積神經網路簡介105 6.2　卷積層107 6.2.1

　卷積核108 6.2.2　步幅109 6.2.3　填充111 6.2.4　多通道上的卷積111 6.2.5　啟動函數113 6.2.6　卷積函數113 6.2.7　轉置卷積114 6.3　池化層115 6.3.1　局部池化116 6.3.2　全域池化117 6.4　現代經典網路119 6.4.1　LeNet-5模型119 6.4.2　AlexNet模型120 6.4.3　VGG模型121 6.4.4　GoogleNet模型122 6.4.5　ResNet模型123 6.4.6　膠囊網路簡介124 6.5　PyTorch實現CIFAR-10多分類125 6.5.1　資料集說明125 6.5.2

　載入數據125 6.5.3　構建網路127 6.5.4　訓練模型128 6.5.5　測試模型129 6.5.6　採用全域平均池化130 6.5.7　像Keras一樣顯示各層參數131 6.6　模型集成提升性能133 6.6.1　使用模型134 6.6.2　集成方法134 6.6.3　集成效果135 6.7　使用現代經典模型提升性能136 6.8　本章小結137 第7章　自然語言處理基礎138 7.1　迴圈神經網路基本結構138 7.2　前向傳播與隨時間反向傳播140 7.3　迴圈神經網路變種143 7.3.1　LSTM144 7.3.2　GRU145 7.3.3　Bi-RNN146 7.4

　迴圈神經網路的PyTorch實現146 7.4.1　RNN實現147 7.4.2　LSTM實現149 7.4.3　GRU實現151 7.5　文本資料處理152 7.6　詞嵌入153 7.6.1　Word2Vec原理154 7.6.2　CBOW模型155 7.6.3　Skip-Gram模型155 7.7　PyTorch實現詞性判別156 7.7.1　詞性判別主要步驟156 7.7.2　數據預處理157 7.7.3　構建網路157 7.7.4　訓練網路158 7.7.5　測試模型160 7.8　用LSTM預測股票行情160 7.8.1　 導入數據160 7.8.2　數據概覽161 7.8.3　預

處理數據162 7.8.4　定義模型163 7.8.5　訓練模型163 7.8.6　測試模型164 7.9　迴圈神經網路應用場景165 7.10　小結166 第8章　生成式深度學習167 8.1　用變分自編碼器生成圖像167 8.1.1　自編碼器168 8.1.2　變分自編碼器168 8.1.3　用變分自編碼器生成圖像169 8.2　GAN簡介173 8.2.1　GAN架構173 8.2.2　GAN的損失函數174 8.3　用GAN生成圖像175 8.3.1　判別器175 8.3.2　生成器175 8.3.3　訓練模型175 8.3.4　視覺化結果177 8.4　VAE與GAN的優缺點178

8.5　ConditionGAN179 8.5.1　CGAN的架構179 8.5.2　CGAN生成器180 8.5.3　CGAN判別器180 8.5.4　CGAN損失函數181 8.5.5　CGAN視覺化181 8.5.6　查看指定標籤的數據182 8.5.7　視覺化損失值182 8.6　DCGAN183 8.7　提升GAN訓練效果的一些技巧184 8.8　小結185 第三部分　深度學習實踐 第9章　人臉檢測與識別188 9.1　人臉識別一般流程188 9.2　人臉檢測189 9.2.1　目標檢測189 9.2.2　人臉定位191 9.2.3　人臉對齊191 9.2.4　MTCNN演算法

192 9.3　特徵提取193 9.4　人臉識別198 9.4.1　人臉識別主要原理198 9.4.2　人臉識別發展198 9.5　PyTorch實現人臉檢測與識別199 9.5.1　驗證檢測代碼199 9.5.2　檢測圖像200 9.5.3　檢測後進行預處理200 9.5.4　查看經檢測後的圖像201 9.5.5　人臉識別202 9.6　小結202 第10章　遷移學習實例203 10.1　遷移學習簡介203 10.2　特徵提取204 10.2.1　PyTorch提供的預處理模組205 10.2.2　特徵提取實例206 10.3　資料增強209 10.3.1　按比例縮放209 10.3.2　

裁剪210 10.3.3　翻轉210 10.3.4　改變顏色211 10.3.5　組合多種增強方法211 10.4　微調實例212 10.4.1　數據預處理212 10.4.2　載入預訓練模型213 10.4.3　修改分類器213 10.4.4　選擇損失函數及優化器213 10.4.5　訓練及驗證模型214 10.5　清除圖像中的霧霾214 10.6　小結217 第11章　神經網路機器翻譯實例218 11.1　Encoder-Decoder模型原理218 11.2　注意力框架220 11.3　PyTorch實現注意力Decoder224 11.3.1　構建Encoder224 11.3.2　

構建簡單Decoder225 11.3.3　構建注意力Decoder226 11.4　用注意力機制實現中英文互譯227 11.4.1　導入需要的模組228 11.4.2　數據預處理228 11.4.3　構建模型231 11.4.4　訓練模型234 11.4.5　隨機採樣，對模型進行測試235 11.4.6　視覺化注意力236 11.5　小結237 第12章　實戰生成式模型238 12.1　DeepDream模型238 12.1.1　Deep Dream原理238 12.1.2　DeepDream演算法流程239 12.1.3　用PyTorch實現Deep Dream240 12.2　風格遷移

243 12.2.1　內容損失244 12.2.2　風格損失245 12.2.3　用PyTorch實現神經網路風格遷移247 12.3　PyTorch實現圖像修復252 12.3.1　網路結構252 12.3.2　損失函數252 12.3.3　圖像修復實例253 12.4　PyTorch實現DiscoGAN255 12.4.1　DiscoGAN架構256 12.4.2　損失函數258 12.4.3　DiscoGAN實現258 12.4.4　用PyTorch實現從邊框生成鞋子260 12.5　小結262 第13章　Caffe2模型遷移實例263 13.1　Caffe2簡介263 13.2　Ca

ffe如何升級到Caffe2264 13.3　PyTorch如何遷移到Caffe2265 13.4　小結268 第14章　AI新方向：對抗攻擊269 14.1　對抗攻擊簡介269 14.1.1　白盒攻擊與黑盒攻擊270 14.1.2　無目標攻擊與有目標攻擊270 14.2　常見對抗樣本生成方式271 14.2.1　快速梯度符號法271 14.2.2　快速梯度演算法271 14.3　PyTorch實現對抗攻擊272 14.3.1　實現無目標攻擊272 14.3.2　實現有目標攻擊274 14.4　對抗攻擊和防禦措施276 14.4.1　對抗攻擊276 14.4.2　常見防禦方法分類276 14

.5　總結277 第15章　強化學習278 15.1　強化學習簡介278 15.2　Q-Learning原理281 15.2.1　Q-Learning主要流程281 15.2.2　Q函數282 15.2.3　貪婪策略283 15.3　用PyTorch實現Q-Learning283 15.3.1　定義Q-Learing主函數283 15.3.2　執行Q-Learing284 15.4　SARSA演算法285 15.4.1　SARSA演算法主要步驟285 15.4.2　用PyTorch實現SARSA演算法286 15.5　小結287 第16章　深度強化學習288 16.1　DQN演算法原理28

8 16.1.1　Q-Learning方法的局限性289 16.1.2　用DL處理RL需要解決的問題289 16.1.3　用DQN解決方法289 16.1.4　定義損失函數290 16.1.5　DQN的經驗重播機制290 16.1.6　目標網路290 16.1.7　網路模型291 16.1.8　DQN演算法291 16.2　用PyTorch實現DQN演算法292 16.3　小結295 附錄A　PyTorch0.4版本變更296 附錄B　AI在各行業的最新應用301   為什麼寫這本書 在人工智慧時代，如何儘快掌握人工智慧的核心——深度學習，是每個欲進入該領域的人都會面臨

的問題。目前，深度學習框架很多，如TensorFlow、PyTorch、Keras、FastAI、CNTK等，這些框架各有優缺點，應該如何選擇？是否有一些標準？我認為，適合自己的就是最好的。 如果你是一位初學者，建議選擇PyTorch，有了一定的基礎之後，可以學習其他一些架構，如TensorFlow、CNTK等。建議初學者選擇PyTorch的主要依據是： 1）PyTorch是動態計算圖，其用法更貼近Python，並且，PyTorch與Python共用了許多Numpy的命令，可以降低學習的門檻，比TensorFlow更容易上手。 2）PyTorch需要定義網路層、參數更新等關鍵步驟，這非常

有助於理解深度學習的核心；而Keras雖然也非常簡單，且容易上手，但封裝細微性很粗，隱藏了很多關鍵步驟。 3）PyTorch的動態圖機制在調試方面非常方便，如果計算圖運行出錯，馬上可以跟蹤問題。PyTorch的調試與Python的調試一樣，通過中斷點檢查就可以高效解決問題。 4）PyTorch的流行度僅次於TensorFlow。而最近一年，在GitHub關注度和貢獻者的增長方面，PyTorch跟TensorFlow基本持平。PyTorch的搜索熱度持續上漲，加上FastAI的支持，PyTorch將受到越來越多機器學習從業者的青睞。 深度學習是人工智慧的核心，隨著大量相關項目的落地，人們對

深度學習的興趣也持續上升。不過掌握深度學習卻不是一件輕鬆的事情，尤其是對機器學習或深度學習的初學者來說，挑戰更多。為了廣大人工智慧初學者或愛好者能在較短時間內掌握深度學習基礎及利用PyTorch解決深度學習問題，我們花了近一年時間打磨這本書，在內容選擇、安排和組織等方面採用了如下方法。 （1）內容選擇：廣泛涉獵 精講 注重實戰 深度學習涉及面比較廣，且有一定門檻。沒有一定廣度很難達到一定深度，所以本書內容基本包括了機器學習、深度學習的主要內容。書中各章一般先簡單介紹相應的架構或原理，幫助讀者理解深度學習的本質。當然，如果只有概念、框架、原理、數學公式的介紹，可能就顯得有點抽象或乏味，所以，

每章都配有大量實踐案例，通過實例有利於加深對原理和公式的理解，同時有利於把相關內容融會貫通。 （2）內容安排：簡單實例開始 循序漸進 深度學習是一塊難啃的硬骨頭，對有一定開發經驗和數學基礎的從業者是這樣，對初學者更是如此。其中卷積神經網路、迴圈神經網路、對抗式神經網路是深度學習的基石，同時也是深度學習的3大硬骨頭。為了讓讀者更好地理解掌握這些網路，我們採用循序漸進的方式，先從簡單特例開始，然後逐步介紹更一般性的內容，最後通過一些PyTorch代碼實例實現之，整本書的結構及各章節內容安排都遵循這個原則。此外，一些優化方法也採用這種方法，如對資料集Cifar10分類優化，先用一般卷積神經網路，

然後使用集成方法、現代經典網路，最後採用資料增加和遷移方法，使得模型精度不斷提升，由最初的68%，上升到74%和90%，最後達到95%左右。 （3）表達形式：讓圖說話，一張好圖勝過千言萬語 在機器學習、深度學習中有很多抽象的概念、複雜的演算法、深奧的理論等，如Numpy的廣播機制、梯度下降對學習率敏感、神經網路中的共用參數、動量優化法、梯度消失或爆炸等，這些內容如果只用文字來描述，可能很難達到使讀者茅塞頓開的效果，但如果用一些圖形來展現，再加上適當的文字說明，往往能取得非常好的效果，正所謂一張好圖勝過千言萬語。 除了以上談到的3個方面，為了幫助大家更好理解、更快掌握機器學習、深度學習這些

人工智慧的核心內容，本書還包含了其他方法。我們希望通過這些方法方式帶給你不一樣的理解和體驗，使抽象數學不抽象、深度學習不深奧、複雜演算法不複雜、難學的深度學習也易學，這也是我們寫這本書的主要目的。 至於人工智慧（AI）的重要性，我想就不用多說了。如果說2016年前屬於擺事實論證的階段，2017年和2018年是事實勝於雄辯的階段，那麼2019年及以後就進入百舸爭流、奮楫者先的階段。目前各行各業都忙於“AI ”，大家都希望通過AI來改造傳統流程、傳統結構、傳統業務、傳統架構，其效果猶如歷史上用電改造原有的各行各業一樣。