keras股票数据

1. 学python可以做什么

1WEB开发

在国内，豆瓣一开始就使用Python作为web开发基础语言，知乎的整个架构也是基于Python语言，这使得web开发这块在国内发展的很不错。

尽管目前Python并不是做Web开发的首选，但一直都占有不可忽视的一席。Python中有各类Web框架，无论是简单而可以自由搭配的微框架还是全功能的大型MVC框架都一应俱全，这在需要敏捷开发的Web项目中也是十分具有优势的。广泛使用（或曾经广泛使用）Python提供的大型Web服务包括知乎、豆瓣、Dropbox等网站。加之Python本身的“胶水”特性，很容易实现在需要大规模性能级计算时整合其它语言，同时保留Web开发时的轻便快捷。

除此之外，Python中还有大量“开箱即用”的模块，用于与各种其它网站的对接等相关功能。如果希望开发个微信公众号相关功能，wechat-sdk/weixin-python等包，能够使你几乎完全不用管文档中提及的各种服务器交互细节，专注于功能实现即能完成开发。

目前，国内的Python web开发主要有两个技术栈：

（1）Django

Django是一个高级的敏捷web开发框架，如果学会了，撸一个网站很快。当然如果纯粹比撸网站的速度，基于ruby的Ruby on rails显然更快，但是Django有一个优势就是性能优秀，更适合国内网站的应用场景。国外的着名图片社区Pinterest早期也是基于Django开发的，承受了用户快速增长的冲击。所以说如果你想快速开发一个网站，还能兼顾APP客户端的API调用需求，Django是可以信赖的。

（2）Flask

相对于Django，Flask则是一个轻量级的web框架，Flask的最大的优势是性能优越，适合配合手机客户端开发后台API服务。国内基于Flask的Restful API服务这快很火，也是需求最大的。知名的比如网络、网易、小米、陌陌等等很多公司都有基于Flask的应用部署。当然，如果你想做一个传统的web网站，还是建议使用Django，Flask的优势是后端、API，不适合构建全功能网站。

2网络爬虫

网络爬虫是Python比较常用的一个场景，国际上，google在早期大量地使用Python语言作为网络爬虫的基础，带动了整个Python语言的应用发展。以前国内很多人用采集器搜刮网上的内容，现在用Python收集网上的信息比以前容易很多了。

Python在这个方面有许多工具上的积累，无论是用于模拟HTTP请求的Requests、用于HTML DOM解析的PyQuery/BeautifulSoup、用于自动化分布式爬取任务的Scrapy，还是用于最简化数据库访问的各种ORM，都使得Python成为数据爬取的首选语言之一。特别是，爬取后的数据分析与计算是Python最为擅长的领域，非常容易整合。目前Python比较流行的网络爬虫框架是功能非常强大的scrapy。

3人工智能与机器学习

人工智能是现在非常火的一个方向，AI热潮让Python语言的未来充满了无限的潜力。现在释放出来的几个非常有影响力的AI框架，大多是Python的实现，为什么呢？

因为Python足够动态、具有足够性能，这是AI技术所需要的技术特点。比如基于Python的深度学习库、深度学习方向、机器学习方向、自然语言处理方向的一些网站基本都是通过Python来实现的。机器学习，尤其是现在火爆的深度学习，其工具框架大都提供了Python接口。Python在科学计算领域一直有着较好的声誉，其简洁清晰的语法以及丰富的计算工具，深受此领域开发者喜爱。

6桌面程序

Python也可以用于桌面软件开发（如sublime text等），甚至移动端开发（参看kivy）。Python简洁方便，各种工具包齐全的环境，能大幅度减少开发者的负担。着名的UI框架QT有Python语言的实现版本PyQT。Python简单易用的特性加上QT的优雅，可以很轻松的开发界面复杂的桌面程序，并且能轻松实现跨平台特性。

7多媒体应用

可以用Python里面的PIL、Piddle、ReportLab 等模块对图象、声音、视频、动画等进行处理，还可以用Python生成动态图表和统计分析图表。另外，还可以利用PyOpenGl模块非常快速有效的编写出三维场景。

2. 学python能做什么

Python第三方模块众多，下面我介绍一些比较实用而又有趣的模块，主要分为爬虫、数据处理、可视化、机器学习、神经网络、股票财经、游戏这7个方面，主要内容如下：

1.爬虫：
相信大部分人都用Python爬过数据，目前来说，比较流行的框架是scrapy，对爬取数据来说，简单方便了不少，只需要自己添加少量的代码，框架便可启动开始爬取，当然，还有简单地爬虫包，像requests+BeautifulSoup，对于爬取简单网页来说，也足够了：

如果你想要学好Python最好加入一个好的学习环境，可以来这个Q群，首先是629，中间是440，最后是234，这样大家学习的话就比较方便，还能够共同交流和分享资料

2.数据处理：
numpy,scipy,pandas这些包对于处理数据来说非常方便，线性代数、科学计算等，利用numpy处理起来非常方便，pandas提供的DataFrame类可以方便的处理各种类型的文件，像excel,csv等，是分析数据的利器：

3.可视化：
这里的包其实也挺多的，除了我们常用的matplotlib外，还有seaborn,pyecharts等，可以绘制出各种各样类型的图形，除了常见的线图、饼图和柱状图外，还可以绘制出地图、词云图、地理坐标系图等，美观大方，所需的代码量还少，更容易上手：

4.机器学习：
说起python机器学习，大部分人都应该scikit-learn这个包，常见的机器学习算法，像回归、分类、聚类、降维、模型选择等，这里都有现成的代码可供利用，对于这机器学习方面感兴趣的人来说，这是一个入门机器学习的好包：

5.神经网络：
说起神经网络，大部分人都应该会想起深度学习，对应的就会想到谷歌目前非常流行的深度学习框架—tensorflow，tesndorflow可被用于语音识别和图像识别等众多领域，其发展前景光明，对于这方面感兴趣的科研人员来说，是一个很不错的工具，当然，还有基于tensorflow的theano,keras等，都是学习神经网络的不错选择：

6.股票财经：
对于股票和财经比较感兴趣的朋友来说，python也提供了现成的库来获取和分析股票财经数据—tushare，tushare是一个免费、开源的python财经数据接口包，可以快速的获取到国内大部分股票数据，对于金融分析人员来说，可以说是一个利器，降低了许多任务量：

7.游戏：
Python专门为游戏开发提供了一个平台—Pygame，对于想快速开发小型游戏的用户来说，是一个很不错的选择，简单易学、容易上手，脱离了低级语言的束缚，使用起来也挺方便的：

3. Keras中的Input shape应该怎么理解啊

首先你要知道在keras中，数据是以张量的形式表示的，张量的形状就是shape，比如，一个一阶的张量[1,2,3]的shape是(3,);一个二阶的张量[[1,2,3],[4,5,6]]的shape是(2,3);一个三阶的张量[[[1],[2],[3]],[[4],[5],[6]]]的shape是(2,3,1)。更多关于这部分的内容，请看http://blog.csdn.net/u013378306/article/details/56281549。
input_shape就是指输入张量的shape。你描述的问题中， input_dim=784，说明输入是一个784维的向量，这相当于一个一阶的张量，它的shape就是(784,)。因此，input_shape=(784,)。

4. 如何从零使用 Keras + TensorFlow 开发一个复杂深度学习模型

Keras 是提供一些高可用的 Python API ，能帮助你快速的构建和训练自己的深度学习模型，它的后端是 TensorFlow 或者 Theano 。本文假设你已经熟悉了 TensorFlow 和卷积神经网络，如果，你还没有熟悉，那么可以先看看这个10分钟入门 TensorFlow 教程和卷积神经网络教程，然后再回来阅读这个文章。

在这个教程中，我们将学习以下几个方面：

• 为什么选择 Keras？为什么 Keras 被认为是深度学习的未来？

• 在Ubuntu上面一步一步安装Keras。

• Keras TensorFlow教程：Keras基础知识。

• 了解 Keras 序列模型
  4.1 实际例子讲解线性回归问题

• 使用 Keras 保存和回复预训练的模型

• Keras API
  6.1 使用Keras API开发VGG卷积神经网络
  6.2 使用Keras API构建并运行SqueezeNet卷积神经网络。

5. keras输入怎么把2维数据怎么变为3维，送到lstm

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

x是你的数据 确保加粗的两个参数乘积是768就行了，这里16是时间步数，48是每个时间步特征向量的长度。

6. 如何把自己数据转化成keras的rnn需要的数据

就一个abcd作为一条样本即可，a b c d 的每一步都会计算loss的，所以拆开也没啥用 另外你这个不是序列标注，因为你是要预测下一个，而不是给整体一个最佳序列

7. keras 模型预测的结果为什么自动从大到小排序了

另外，训练误差是训练数据每个batch的误差的平均。在训练过程中，每个epoch起始时的batch的误差要大一些，而后面的batch的误差要小一些。另一方面，每个epoch结束时计算的测试误差是由模型在epoch结束时的状态决定的，这时候的网络将产生较小的误差。
可以通过定义回调函数将每个epoch的训练误差和测试误差并作图，如果训练误差曲线和测试误差曲线之间有很大的空隙，说明你的模型可能有过拟合的问题。当然，这个问题与Keras无关。

8. 用深度学习框架Keras训练数据时，输出的预测值全是1.0，是怎么回事

同问一下这个问题

9. keras 如何输出softmax分类结果属于某一类的概率

softmax是用于单标签输出，模型训练后，调用model.predict函数就可以输出结果为[0.5，0.4，0.1]（输出数量为最后一层隐藏层的neuron数）这样的矩阵，里面即为你所需的预测概率值，值得注意的是，softmax会限制输出的所有概率相加为1。

如果需要预测的是多个标签而不是单个标签，则需要使用sigmoid作为输出激活函数，那么输出就不再强制相加为1，可以得到每个分类的实际预测值，此时只需要设置一个致信的threshold则可以得到多个分类预测值。

每个激活函数的详细解释看这里网页链接

10. 关于keras构建的神经网络的输出结果解释

ETA：Estimated Time of Arrival。Loss:系统的损失。acc：Accuracy正确率。