前言
大家好，我是阿光。
本专栏整理了《PyTorch深度学习项目实战100例》，内包含了各种不同的深度学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
正在更新中~ ✨
🚨 我的项目环境：
- 平台：Windows10
- 语言环境：python3.7
- 编译器：PyCharm
- PyTorch版本：1.8.1
💥 项目专栏：【PyTorch深度学习项目实战100例】
一、利用长短期记忆网络LSTM实现股票预测分析
股价预测其实是一个较难拟合的问题，因为在现实生活中影响股价的因素有非常多，不只是过去股价有影响，不过为了体会LSTM网络的作用，本文中LSTM模型去对股价做一个大致的预测，只考虑时序因素，未掺杂其它影响因子，下图为拟合过后的图。
二、加载股票数据
本文采用的股票数据来源为tushare，这个一个股票接口网站，可以注册然后获得数据源
# 1.加载股票数据
pro = ts.pro_api('your token')
df = pro.daily(ts_code='000001.SZ', start_date='20130711', end_date='20220711')
df.index = pd.to_datetime(df.trade_date) # 索引转为日期
df = df.iloc[::-1] # 由于获取的数据是倒序的，需要将其调整为正序
三、将数据进行标准化
为了统一不同特征之间的量纲，忽略数量级的影响，这里我们需要对其特征进行标准化，然后投入到网络中进行使用
注意一点，由于这里进行了标准化，所以最终模型的预测值不是我们真实的股价，我们需要对预测结果进行反标准化，这里可以利用sklearn中的scaler
# 2.将数据进行标准化
scaler = StandardScaler()
scaler_model = StandardScaler()
data = scaler_model.fit_transform(np.array(df[['open', 'high', 'low', 'close']]).reshape(-1, 4))
scaler.fit_transform(np.array(df['close']).reshape(-1, 1))
四、形成训练数据
由于是时序数据，那么过去一段时间的数据会对未来的数据产生影响，这里定义一个时间步，可以理解为滑动窗口，就是利用过去多少天的数据来预测未来的数据，这个时间步也对应着LSTM中的时间片xt。
例如：数据为1234567
时间片为1，则数据为1-2，2-3，3-4，4-5，5-6，6-7
时间片为2，则数据为12-3，23-4，34-5，45-6，56-7
时间片为3，则数据为123-4，234-5，345-6，456-7
以此类推
五、加载数据集
为了将我们的数据送入pytorch进行训练，需要将我们的数据变成迭代器，如果数据不是特别大的话可以直接转成tensor进行训练，转成迭代器只是针对数据过大不方便一次全部装入内存进行训练。
# 3.获取训练数据 x_train: 1700,1,4
x_train, y_train, x_test, y_test = split_data(data, timestep)
# 4.将数据转为tensor
x_train_tensor = torch.from_numpy(x_train).to(torch.float32)
y_train_tensor = torch.from_numpy(y_train).to(torch.float32)
x_test_tensor = torch.from_numpy(x_test).to(torch.float32)
y_test_tensor = torch.from_numpy(y_test).to(torch.float32)
# 5.形成训练数据集
train_data = TensorDataset(x_train_tensor, y_train_tensor)
test_data = TensorDataset(x_test_tensor, y_test_tensor)
# 6.将数据加载成迭代器
train_loader = torch.utils.data.DataLoader(train_data,
batch_size,
True)
test_loader = torch.utils.data.DataLoader(test_data,
batch_size,
False)
六、定义LSTM网络
长短时记忆网络(Long Short Term Memory Network, LSTM)，是一种改进之后的循环神经网络，可以解决RNN无法处理长距离的依赖的问题，目前比较流行。
LSTM主要就是加入了三个门控：
第一个开关遗忘门：负责控制继续保存长期状态c；
第二个开关输入门：负责控制把即时状态输入到长期状态c；
第三个开关输出门：负责控制是否把长期状态c作为当前的LSTM的输出。
七、模型训练
模型训练分为两个阶段，一个开启训练，第二个是验证阶段，这个阶段可有可无，加入该阶段就是为了使用验证集验证模型的好坏，如果模型好的话可以进行保存权重。
# 8.模型训练
for epoch in range(epochs):
model.train()
running_loss = 0
train_bar = tqdm(train_loader) # 形成进度条
for data in train_bar:
x_train, y_train = data # 解包迭代器中的X和Y
optimizer.zero_grad()
y_train_pred = model(x_train)
loss = loss_function(y_train_pred, y_train.reshape(-1, 1))
loss.backward()
optimizer.step()
running_loss += loss.item()
train_bar.desc = "train epoch[{}/{}] loss:{:.3f}".format(epoch + 1,
epochs,
loss)
# 模型验证
model.eval()
test_loss = 0
with torch.no_grad():
test_bar = tqdm(test_loader)
for data in test_bar:
x_test, y_test = data
y_test_pred = model(x_test)
test_loss = loss_function(y_test_pred, y_test.reshape(-1, 1))
if test_loss < best_loss:
best_loss = test_loss
torch.save(model.state_dict(), save_path)
print('Finished Training')
八、绘制结果
# 9.绘制结果
plt.figure(figsize=(12, 8))
plt.plot(scaler.inverse_transform((model(x_train_tensor).detach().numpy()).reshape(-1, 1)), "b")
plt.plot(scaler.inverse_transform(y_train_tensor.detach().numpy().reshape(-1, 1)), "r")
plt.legend()
plt.show()
y_test_pred = model(x_test_tensor)
plt.figure(figsize=(12, 8))
plt.plot(scaler.inverse_transform(y_test_pred.detach().numpy()), "b")
plt.plot(scaler.inverse_transform(y_test_tensor.detach().numpy().reshape(-1, 1)), "r")
plt.legend()
plt.show()
完整源码
【PyTorch深度学习项目实战100例】—— 利用pytorch长短期记忆网络LSTM实现股票预测分析 | 第5例_咕 嘟的博客-CSDN博客_lstm pytorch 股票
