keras股票數據

1. 學python可以做什麼

1WEB開發

在國內，豆瓣一開始就使用Python作為web開發基礎語言，知乎的整個架構也是基於Python語言，這使得web開發這塊在國內發展的很不錯。

盡管目前Python並不是做Web開發的首選，但一直都佔有不可忽視的一席。Python中有各類Web框架，無論是簡單而可以自由搭配的微框架還是全功能的大型MVC框架都一應俱全，這在需要敏捷開發的Web項目中也是十分具有優勢的。廣泛使用（或曾經廣泛使用）Python提供的大型Web服務包括知乎、豆瓣、Dropbox等網站。加之Python本身的「膠水」特性，很容易實現在需要大規模性能級計算時整合其它語言，同時保留Web開發時的輕便快捷。

除此之外，Python中還有大量「開箱即用」的模塊，用於與各種其它網站的對接等相關功能。如果希望開發個微信公眾號相關功能，wechat-sdk/weixin-python等包，能夠使你幾乎完全不用管文檔中提及的各種伺服器交互細節，專注於功能實現即能完成開發。

目前，國內的Python web開發主要有兩個技術棧：

（1）Django

Django是一個高級的敏捷web開發框架，如果學會了，擼一個網站很快。當然如果純粹比擼網站的速度，基於ruby的Ruby on rails顯然更快，但是Django有一個優勢就是性能優秀，更適合國內網站的應用場景。國外的著名圖片社區Pinterest早期也是基於Django開發的，承受了用戶快速增長的沖擊。所以說如果你想快速開發一個網站，還能兼顧APP客戶端的API調用需求，Django是可以信賴的。

（2）Flask

相對於Django，Flask則是一個輕量級的web框架，Flask的最大的優勢是性能優越，適合配合手機客戶端開發後台API服務。國內基於Flask的Restful API服務這快很火，也是需求最大的。知名的比如網路、網易、小米、陌陌等等很多公司都有基於Flask的應用部署。當然，如果你想做一個傳統的web網站，還是建議使用Django，Flask的優勢是後端、API，不適合構建全功能網站。

2網路爬蟲

網路爬蟲是Python比較常用的一個場景，國際上，google在早期大量地使用Python語言作為網路爬蟲的基礎，帶動了整個Python語言的應用發展。以前國內很多人用採集器搜刮網上的內容，現在用Python收集網上的信息比以前容易很多了。

Python在這個方面有許多工具上的積累，無論是用於模擬HTTP請求的Requests、用於HTML DOM解析的PyQuery/BeautifulSoup、用於自動化分布式爬取任務的Scrapy，還是用於最簡化資料庫訪問的各種ORM，都使得Python成為數據爬取的首選語言之一。特別是，爬取後的數據分析與計算是Python最為擅長的領域，非常容易整合。目前Python比較流行的網路爬蟲框架是功能非常強大的scrapy。

3人工智慧與機器學習

人工智慧是現在非常火的一個方向，AI熱潮讓Python語言的未來充滿了無限的潛力。現在釋放出來的幾個非常有影響力的AI框架，大多是Python的實現，為什麼呢？

因為Python足夠動態、具有足夠性能，這是AI技術所需要的技術特點。比如基於Python的深度學習庫、深度學習方向、機器學習方向、自然語言處理方向的一些網站基本都是通過Python來實現的。機器學習，尤其是現在火爆的深度學習，其工具框架大都提供了Python介面。Python在科學計算領域一直有著較好的聲譽，其簡潔清晰的語法以及豐富的計算工具，深受此領域開發者喜愛。

6桌面程序

Python也可以用於桌面軟體開發（如sublime text等），甚至移動端開發（參看kivy）。Python簡潔方便，各種工具包齊全的環境，能大幅度減少開發者的負擔。著名的UI框架QT有Python語言的實現版本PyQT。Python簡單易用的特性加上QT的優雅，可以很輕松的開發界面復雜的桌面程序，並且能輕松實現跨平台特性。

7多媒體應用

可以用Python裡面的PIL、Piddle、ReportLab 等模塊對圖象、聲音、視頻、動畫等進行處理，還可以用Python生成動態圖表和統計分析圖表。另外，還可以利用PyOpenGl模塊非常快速有效的編寫出三維場景。

2. 學python能做什麼

Python第三方模塊眾多，下面我介紹一些比較實用而又有趣的模塊，主要分為爬蟲、數據處理、可視化、機器學習、神經網路、股票財經、游戲這7個方面，主要內容如下：

1.爬蟲：
相信大部分人都用Python爬過數據，目前來說，比較流行的框架是scrapy，對爬取數據來說，簡單方便了不少，只需要自己添加少量的代碼，框架便可啟動開始爬取，當然，還有簡單地爬蟲包，像requests+BeautifulSoup，對於爬取簡單網頁來說，也足夠了：

如果你想要學好Python最好加入一個好的學習環境，可以來這個Q群，首先是629，中間是440，最後是234，這樣大家學習的話就比較方便，還能夠共同交流和分享資料

2.數據處理：
numpy,scipy,pandas這些包對於處理數據來說非常方便，線性代數、科學計算等，利用numpy處理起來非常方便，pandas提供的DataFrame類可以方便的處理各種類型的文件，像excel,csv等，是分析數據的利器：

3.可視化：
這里的包其實也挺多的，除了我們常用的matplotlib外，還有seaborn,pyecharts等，可以繪制出各種各樣類型的圖形，除了常見的線圖、餅圖和柱狀圖外，還可以繪制出地圖、詞雲圖、地理坐標系圖等，美觀大方，所需的代碼量還少，更容易上手：

4.機器學習：
說起python機器學習，大部分人都應該scikit-learn這個包，常見的機器學習演算法，像回歸、分類、聚類、降維、模型選擇等，這里都有現成的代碼可供利用，對於這機器學習方面感興趣的人來說，這是一個入門機器學習的好包：

5.神經網路：
說起神經網路，大部分人都應該會想起深度學習，對應的就會想到谷歌目前非常流行的深度學習框架—tensorflow，tesndorflow可被用於語音識別和圖像識別等眾多領域，其發展前景光明，對於這方面感興趣的科研人員來說，是一個很不錯的工具，當然，還有基於tensorflow的theano,keras等，都是學習神經網路的不錯選擇：

6.股票財經：
對於股票和財經比較感興趣的朋友來說，python也提供了現成的庫來獲取和分析股票財經數據—tushare，tushare是一個免費、開源的python財經數據介麵包，可以快速的獲取到國內大部分股票數據，對於金融分析人員來說，可以說是一個利器，降低了許多任務量：

7.游戲：
Python專門為游戲開發提供了一個平台—Pygame，對於想快速開發小型游戲的用戶來說，是一個很不錯的選擇，簡單易學、容易上手，脫離了低級語言的束縛，使用起來也挺方便的：

3. Keras中的Input shape應該怎麼理解啊

首先你要知道在keras中，數據是以張量的形式表示的，張量的形狀就是shape，比如，一個一階的張量[1,2,3]的shape是(3,);一個二階的張量[[1,2,3],[4,5,6]]的shape是(2,3);一個三階的張量[[[1],[2],[3]],[[4],[5],[6]]]的shape是(2,3,1)。更多關於這部分的內容，請看http://blog.csdn.net/u013378306/article/details/56281549。
input_shape就是指輸入張量的shape。你描述的問題中， input_dim=784，說明輸入是一個784維的向量，這相當於一個一階的張量，它的shape就是(784,)。因此，input_shape=(784,)。

4. 如何從零使用 Keras + TensorFlow 開發一個復雜深度學習模型

Keras 是提供一些高可用的 Python API ，能幫助你快速的構建和訓練自己的深度學習模型，它的後端是 TensorFlow 或者 Theano 。本文假設你已經熟悉了 TensorFlow 和卷積神經網路，如果，你還沒有熟悉，那麼可以先看看這個10分鍾入門 TensorFlow 教程和卷積神經網路教程，然後再回來閱讀這個文章。

在這個教程中，我們將學習以下幾個方面：

• 為什麼選擇 Keras？為什麼 Keras 被認為是深度學習的未來？

• 在Ubuntu上面一步一步安裝Keras。

• Keras TensorFlow教程：Keras基礎知識。

• 了解 Keras 序列模型
  4.1 實際例子講解線性回歸問題

• 使用 Keras 保存和回復預訓練的模型

• Keras API
  6.1 使用Keras API開發VGG卷積神經網路
  6.2 使用Keras API構建並運行SqueezeNet卷積神經網路。

5. keras輸入怎麼把2維數據怎麼變為3維，送到lstm

np.reshape(x,(9000,16,48))

x是你的數據 確保加粗的兩個參數乘積是768就行了，這里16是時間步數，48是每個時間步特徵向量的長度。

6. 如何把自己數據轉化成keras的rnn需要的數據

就一個abcd作為一條樣本即可，a b c d 的每一步都會計算loss的，所以拆開也沒啥用 另外你這個不是序列標注，因為你是要預測下一個，而不是給整體一個最佳序列

7. keras 模型預測的結果為什麼自動從大到小排序了

另外，訓練誤差是訓練數據每個batch的誤差的平均。在訓練過程中，每個epoch起始時的batch的誤差要大一些，而後面的batch的誤差要小一些。另一方面，每個epoch結束時計算的測試誤差是由模型在epoch結束時的狀態決定的，這時候的網路將產生較小的誤差。
可以通過定義回調函數將每個epoch的訓練誤差和測試誤差並作圖，如果訓練誤差曲線和測試誤差曲線之間有很大的空隙，說明你的模型可能有過擬合的問題。當然，這個問題與Keras無關。

8. 用深度學習框架Keras訓練數據時，輸出的預測值全是1.0，是怎麼回事

同問一下這個問題

9. keras 如何輸出softmax分類結果屬於某一類的概率

softmax是用於單標簽輸出，模型訓練後，調用model.predict函數就可以輸出結果為[0.5，0.4，0.1]（輸出數量為最後一層隱藏層的neuron數）這樣的矩陣，裡面即為你所需的預測概率值，值得注意的是，softmax會限制輸出的所有概率相加為1。

如果需要預測的是多個標簽而不是單個標簽，則需要使用sigmoid作為輸出激活函數，那麼輸出就不再強制相加為1，可以得到每個分類的實際預測值，此時只需要設置一個致信的threshold則可以得到多個分類預測值。

每個激活函數的詳細解釋看這里網頁鏈接

10. 關於keras構建的神經網路的輸出結果解釋

ETA：Estimated Time of Arrival。Loss:系統的損失。acc：Accuracy正確率。