完整的工作代码可在。如果你不知道什么是或，可以翻阅，或者查看云栖翻译小组其他文章

互联网上也有很多类似教程，比如：

·     

·     

·     

·     

·     

·     

·     

·     

但是作者仍然坚持写出这篇文章主要有三个原因：

1. 技术在发展，早期的教程不能应付新版本。

2. 大多数教程使用的事例是合成数据，而作者在这该文中所用事例数据皆来源于现实生活。

3. 有些教程如果你事先了解关于Tensorflow API的一些信息，这将使得在理解它们时存在困难。

文中，作者以宾夕法尼亚大学（Penn Tree Bank，PTB）数据集上的为起点。虽然PTB示例以漂亮的模块化设计模式展示RNN模型，但在理解模型结构中会有些难度，为此，作者建立了易于理解的图表。

数据准备：

股票价格是长度为N的时间序列，定义为p0，p1，... ，pN- 1，其中pi是指在第i日的收盘价，0≤i<N。试想一下，我们有一个固定大小的滑动窗口w（下文将其称为input_size），为了保障所有的滑动窗口中的数据之间不重叠，我们需要每次将窗口向右移动w个单位。

上图为标准普尔500价格。我们在一个滑动窗口中使用内容来预测下一个，而在两个连续的窗口之间没有重叠。

将建立的RNN模型中LSTM单元作为基本的隐藏单元。我们使用在时间t内从第一个滑动窗口W0到窗口Wt的值：

W0=(p0,p1,...,pw-1)

W1=(pw,pw+1,...p2w-1)

...

Wt=(ptw,ptw+1,...,p(t+1)w-1)

来预测下一个窗口Wt+1的值：

Wt+1=(p(t+1)w,p(t+1)w+1,...,p(t+2)w-1)

以上类似于在学习一个近似函数f（W0，W1，... ，Wt）≈Wt+1。

考虑到工作方式的，我们通常将RNN训练成一个“展开”版本，这样我们就不需要做太多的传播计算，而且可以节省训练的复杂性。

价格的顺序首先被分成不重叠的小窗口。每个都包含input_size数字，每个都被认为是一个独立的输入元素。然后，任何num_steps连续的输入元素被分组到一个训练输入中，形成一个在Tensorfow上进行训练的“非滚动”版本的RNN。相应的标签就是它们后面的输入元素。

例如，如果input_size=3和num_steps=2，前几个训练的示例如下所示：

准备数据的完整代码在。

数据标准化

以下我们以最新的10%的数据作为测试数据。S&P500指数随着时间的推移而增加，导致测试集中大部分数值超出训练集的范围，也就是说该模型必须预测一些以前从未见过的数字。

图： RNN模型必须预测训练数据的规模之外的数字

为解决这一问题，作者将任务变成预测相对变化率而不是绝对值。在t时刻的标准化滑动窗口W't中，所有的值除以最后一个滑动窗口Wt-1中的未知价格价格：

建立模型：

定义参数：

lstm_size：一个LSTM图层中的单元数量。

num_layers：堆叠的LSTM层的数量。

keep_prob：单元格单元在操作中保留的百分比。

init_learning_rate：开始学习的速率。

learning_rate_decay：后期训练时期的衰减率。

init_epoch：使用常量init_learning_rate的时期数。

max_epoch：训练中的时期总数

input_size：滑动窗口的大小/一个训练数据点

batch_size：在一个小批量中使用的数据点的数量。

LSTM模型是具有num_layers堆叠的LSTM层，每层包含lstm_size数量的LSTM单元。然后将保留概率为keep_prob的掩码应用于每个LSTM单元的输出。退出的目标是消除潜在的强烈具有依赖性维度，以防止过度拟合。

训练总共需要max_epoch 时期（epoch）；一个（epoch）指所有训练数据点的一个完整通过。在一个时期（epoch）中，训练数据点被分成小批量batch_size的规模。我们发送一小批量的到一个BPTT学习的模型。学习速率在第一个init_epoch时期被设置为init_learning_rate，然后在每个后续时期learning_rate_decay使学习速率衰减。

# Configuration is wrapped in one object for easy tracking and passing.class RNNConfig():    input_size=1    num_steps=30    lstm_size=128    num_layers=1    keep_prob=0.8    batch_size = 64    init_learning_rate = 0.001    learning_rate_decay = 0.99    init_epoch = 5max_epoch = 50config = RNNConfig()

定义图形

没有依附于任何真实的数据。它主要用于处理数据和运行计算流程。如果用提供的数据，这时计算的数据是真实的。

（1）首先初始化一个新的图表。

import tensorflow as tftf.reset_default_graph()lstm_graph = tf.Graph()

（2）图表的工作原理应在其范围内定义。

with lstm_graph.as_default():

（3）定义计算所需的数据。在这里需要三个输入变量，全部定义为。

1.inputs：训练数据X，形状张量（＃数据例子num_steps，input_size）; 数据示例的数量是未知的，所以是None。就这个示例而言，在训练中它将是batch_size。如果感到困惑，请查看。

2.targets：训练标签y，形状张量（＃数据例子input_size）。

3.learning_rate：一个简单的浮点数。

# Dimension = (  # number of data examples,   # number of input in one computation step,   # number of numbers in one input  # )  # We don't know the number of examples beforehand, so it is None.  inputs = tf.placeholder(tf.float32, [None, config.num_steps, config.input_size])  targets = tf.placeholder(tf.float32, [None, config.input_size])  learning_rate = tf.placeholder(tf.float32, None)

（4）该函数返回一个 有无退出操作。

def _create_one_cell():    return tf.contrib.rnn.LSTMCell(config.lstm_size,state_is_tuple=True)        if config.keep_prob < 1.0:            return tf.contrib.rnn.DropoutWrapper(lstm_cell, output_keep_prob=config.keep_prob)

（5）如果需要的话，我们可以将单元格堆叠成多层。MultiRNNCell有助于依次连接多个简单单元来组成一个单元。

cell = tf.contrib.rnn.MultiRNNCell(        [_create_one_cell() for _ in range(config.num_layers)],         state_is_tuple=True    ) if config.num_layers > 1 else _create_one_cell()

（6）是由cell（RNNCell）指定的循环神经网络构建的。状态是指LSTM单元的当前状态，在这里没有消耗。

val, _ = tf.nn.dynamic_rnn(cell, inputs, dtype=tf.float32)

（7）输出的维度从（batch_size，num_steps，lstm_size）转换为（num_steps，batch_size，lstm_size），然后将其输出。

# Before transpose, val.get_shape() = (batch_size, num_steps, lstm_size)    # After transpose, val.get_shape() = (num_steps, batch_size, lstm_size)    val = tf.transpose(val, [1, 0, 2])    # last.get_shape() = (batch_size, lstm_size)    last = tf.gather(val, int(val.get_shape()[0]) - 1, name="last_lstm_output")

（8）定义隐藏层和输出层之间的权重和偏差。

weight = tf.Variable(tf.truncated_normal([config.lstm_size, config.input_size]))    bias = tf.Variable(tf.constant(0.1, shape=[targets_width]))    prediction = tf.matmul(last, weight) + bias

（9）我们使用均方误差作为损失度量和进行梯度下降优化。

loss = tf.reduce_mean(tf.square(prediction - targets))    optimizer = tf.train.RMSPropOptimizer(learning_rate)    minimize = optimizer.minimize(loss)

训练阶段

（1）要开始用真实数据训练图表，我们需要先从一个开始。

with tf.Session(graph=lstm_graph) as sess:

（2）按照定义初始化变量。

tf.global_variables_initializer().run()

（3）训练时期的学习率应该预先计算好。指数是指epoch指数。

learning_rates_to_use = [    config.init_learning_rate * (        config.learning_rate_decay ** max(float(i + 1 - config.init_epoch), 0.0)    ) for i in range(config.max_epoch)]

（4）下面的每个循环完成一次epoch训练。

for epoch_step in range(config.max_epoch):        current_lr = learning_rates_to_use[epoch_step]        # Check https://github.com/lilianweng/stock-rnn/blob/master/data_wrapper.py        # if you are curious to know what is StockDataSet and how generate_one_epoch()         # is implemented.        for batch_X,batch_y in stock_dataset.generate_one_epoch(config.batch_size):            train_data_feed = {                inputs: batch_X,                 targets: batch_y,                 learning_rate: current_lr            }            train_loss, _ = sess.run([loss, minimize], train_data_feed)

（5）下面的每个循环完成一次epoch训练。

saver = tf.train.Saver()    saver.save(sess, "your_awesome_model_path_and_name", global_step=max_epoch_step)

使用

在没有可视化的情况下构建图形，非常模糊和容易出错。提供的图形结构和学习过程简单可视，查看这个实践。

小结

1.用于with [tf.name_scope]

(https://www.tensorflow.org/api_docs/python/tf/name_scope)("your_awesome_module_name"):将包含在类似目标上的元素一起打包。

2.许多tf.*方法接受name=参数。分配一个定制的名字可以让你阅读图表时更容易。

3.类似和的方法可以帮助跟踪迭代期间图中变量的值。

4.在训练课程中，用定义一个日志文件：

with tf.Session(graph=lstm_graph) as sess:    merged_summary = tf.summary.merge_all()    writer = tf.summary.FileWriter("location_for_keeping_your_log_files", sess.graph)    writer.add_graph(sess.graph)

之后，将训练进度和总结结果写入文件。

_summary = sess.run([merged_summary], test_data_feed)writer.add_summary(_summary, global_step=epoch_step)  # epoch_step in range(config.max_epoch)

上图由示例代码构建的RNN图。“训练”模块已经“从主图表中删除”，因为它在预测时间内不是模型的实际部分。

单击“output_layer”模块将其展开并详细检查结构。

完整的工作代码可在中。

结果

作者在示例中使用了以下配置。

num_layers=1

keep_prob=0.8

batch_size = 64

init_learning_rate = 0.001

learning_rate_decay = 0.99

init_epoch = 5

max_epoch = 100

num_steps=30

上图是在测试数据中最近200天的预测结果。使用input_size = 1和lstm_size = 32来训练模型。

上图是在测试数据中最近200天的预测结果。模型使用input_size = 1和lstm_size = 128进行训练。

上图在测试数据中的最近200天的预测结果。使用input_size = 5，lstm_size = 128和max_epoch = 75（替代50）训练模型。

如果您想进一步了解本教程中的示例代码可在中。

本文由北邮 老师推荐，组织翻译。

文章原标题《Predict Stock Prices Using RNN: Part 1》

作者：Lilian Weng

译者：乌拉乌拉，审校：袁虎。

文章为简译，更为详细的内容，请查看