TensorFlow实现股票预测的Python代码

‘‘‘
Created on 16/02/2017
@author: smas255
‘‘‘
import tensorflow as tf
import numpy as np
from sklearn import preprocessing
from sklearn.model_selection import train_test_split
from sklearn import metrics
import math
from matplotlib import pyplot
# Read data from csv file
def get_data（filename）:    
    # Read file
    priceDataset=np.loadtxt（open（filename “rb“） delimiter=““ skiprows=1）
    # Scale data   
    scaler = preprocessing.MinMaxScaler（feature_range=（0 1））    
    X_dataset=scaler.fit_transform（priceDataset[...0]）
    Y_dataset=scaler.fit_transform（priceDataset[...1]）
    # Split data to training and test 
    X_train X_test y_train y_test = train_test_split（
        X_dataset Y_dataset test_size=0.3 random_state=1234）
    return scalerX_train X_test y_train y_test
# Create model
def multilayer_perceptron（x weights biases）:
    # Hidden layer with Tanh activation
    layer_1 = tf.add（tf.matmul（x weights[‘h1‘]） biases[‘b1‘]）
    layer_1 = tf.nn.tanh（layer_1）

    # Hidden layer with Tanh activation
    layer_2 = tf.add（tf.matmul（layer_1 weights[‘h2‘]） biases[‘b2‘]）
    layer_2 = tf.nn.tanh（layer_2）   

    # Output layer with linear activation
    out_layer = tf.matmul（layer_2 weights[‘out‘]） + biases[‘out‘]
    return out_layer
if __name__ == ‘__main__‘:  
    # Create training and test 
    scaler x_train x_test y_train y_test =get_data（‘./data/aapl.csv‘）   
    # Reshape data for a network with single input and output
    x_train=np.reshape（x_train （-1 1））
    y_train=np.reshape（y_train （-1 1））
    x_test=np.reshape（x_test （-1 1））
    y_test=np.reshape（y_test （-1 1））
    # Get size of training 
    total_len = x_train.shape[0]
    # Parameters
    learning_rate = 0.01
    training_epochs = 700
    batch_size = 5
    display_step = 1
    
    # Network Parameters
    n_hidden_1 = 15 # 1st layer number of features
    n_hidden_2 = 7 # 2nd layer number of features    
    n_input = x_train.shape[1]
    n_output = 1
    
    # tf Graph input
    x = tf.placeholder（“float“ [None 1]）
    y = tf.placeholder（“float“ [None1]）
    
    # Create weights and bias vector with constant data to be similar to Azure machine learning service 
    weights_1 = np.empty（[n_input n_hidden_1]dtype=np.float32）
    weights_2 = np.empty（[n_hidden_1 n_hidden_2]dtype=np.float32）
    weights_3 = np.empty（[n_hidden_2 n_output]dtype=np.float32）
    weights_1.fill（0.1）
    weights_2.fill（0.1）
    weights_3.fill（0.1）
    bias_1=np.empty（n_hidden_1dtype=np.float32）
    bias_2=np.empty（n_hid