第3章基于TensorFlow用Keras做深度学习
流行的深度学习框架很多，如TensorFlow、Caffe和Theano等。但这些框架都是面向深度学习开发的专业人士的，用这些框架做深度学习需要非常了解底层逻辑，且需要编写大量的代码才能实现。这对非计算机编程相关专业科班出身的金融从业人员来说，是个很大的挑战，且短时间内很难弥补。本书介绍的深度学习库Keras是一个基于TensorFlow的API，它能够使我们快速实现金融模型的思维，且易于编程实现。
3.1Keras简介
Keras是由谷歌软件工程师Francois Chollet开发的、基于TensorFlow的深度学习库，具有较为直观的API。目前，Keras库已经成为TensorFlow的默认API。Keras库强调极简主义——只需要几行代码就能构建一个神经网络，其设计原则如下。
1. 用户友好
Keras是神经网络的高层API，它充分考虑用户的使用体验，在极大减少用户工作量的前提下，使用户非常方便地构建不同层次深度的定制化神经网络模型。
2. 模块化
使用Keras构建深度学习模型时，可将该模型理解为一个多层的序列或数据的运算图，这些完全可配置的模块可以用最少的代价自由组合在一起。具体而言，网络层、损失函数、优化器、初始化策略、激活函数、正则化方法等都是独立的模块，可以使用它们来构建自己的模型。
3. 易扩展性
添加新模块（或网络层、神经元等）非常容易，只需要仿照现有的模块编写新的类或函数即可。创建新模块的便利性使得Keras更适合于先进的研究工作。
为了说明使用Keras进行深度学习模型开发的便利性，此处以一个简单的示例说明如何使用Keras库做深度学习模型开发。该示例以上证50成分股的收盘价来训练模型，并使用训练得到的深度学习模型计算上证50指数的预测收盘价，最后绘图表示上证50实际收盘价和预测收盘价的曲线，示例代码如下所示。 import pandas as pd
import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense, Activation,Dropout
from sklearn.preprocessing import Normalizer, StandardScaler
import matplotlib.pyplot as plt
from WindPy import w
#####获取数据并生成数据集######
#获取上证50成分股,并获取这些股票从2010年1月1日到
#2017年12月31日所有交易日的收盘价和在此期间上证50
#的收盘价
……
展开
