hichenway / stock_predict_with_lstm Goto Github PK

你好，输出的图我不太明白
plt.plot(list(range(len(normalize_data), len(normalize_data) + len(predict))), predict, color='r')
红色线表示normalize_data之后的预测值，对吗？但是我的形状有些奇怪，没看懂··

非常感谢！

代码中的注释有写到，在非连续训练模式下，每time_step行数据会作为一个样本，两个样本错开一行，比如：1-20行，2-21行
比如有1000行的数据，n_past为10，特征是5个，那么构建出来的train_x shape为(991,10,5)，train_y shape为(991,10,1)，也就是对于每一个样本，使用过去10条数据来预测结果，并和真值相比较。

但是如果是用来预测，构建的test_X的shape是(100,10,5)，test_Y的shape是（1000,1,5），在源码处也可以看到不是使用连续方式来构建的test_X。
所以构建出来的LSTM模型并不是输入过去n_past条数据，模型输出预测的这一条数据吗？

非常感谢楼主，您的代码直接就能运行了，质量真棒！
想请教个问题：为什么stock_predict_1.py每次执行预测的结果都不一样呢？model_save1里的文件即使删除后重新运行也是不一样的结果。

现象：每次执行计算的next_seq值都不一样，所以预测的结果也不同
next_seq=sess.run(pred,feed_dict={X:[prev_seq]})
print ("------------->"+str(next_seq))

这样训练的话每个epoch就是单独训练了吧？望解答，谢谢！

self.mean = np.mean(self.data, axis=0) # 数据的均值和方差
self.std = np.std(self.data, axis=0)
self.norm_data = (self.data - self.mean)/self.std # 归一化，去量纲

ValueError: Attempt to have a second RNNCell use the weights of a variable scope that already has weights: 'sec_lstm/rnn/basic_lstm_cell'; and the cell was not constructed as BasicLSTMCell(..., reuse=True). To share the weights of an RNNCell, simply reuse it in your second calculation, or create a new one with the argument reuse=True.

最近初学tensorflow，在博客上看到您的代码下载了运行后报了错，我在网上搜了很多方案都不行，非常困惑，恳请您能指点一下，谢谢

我把这个do_train_visualized = False改成True会报错：ConnectionRefusedError: [WinError 10061] 由于目标计算机积极拒绝，无法连接。该怎么解决。

Excuse me ? I found your datas are all singe variable, however, your paper said that your work is aimed at multivariate time-series, so do you have another codes or if it is my fault to understand this code?

stock_predict_2.py 中，定义了drop = tf.nn.rnn_cell.DropoutWrapper(basicLstm, output_keep_prob=keep_prob) ，但是实际并没有使用它，这里产生作用了吗？

作者您好 你的代码中好像没有考虑时间特征

Hello, thanks for you work.
In your case, while set do_continue_train is False, the train data must be a continuous series and can only be a series. So, my problem is, how should I train my data with serveral multi-series data?
Looking forward to your reply, thank you.