2.2.1.2-网格交易(python网格交易附实战交易记录)

Kelvin写代码2024-04-03 22:06

跳转到根目录：知行合一：投资篇

已完成：

1、投资&技术

1.1.1 投资-编程基础-numpy

1.1.2 投资-编程基础-pandas

1.2 金融数据处理

1.3 金融数据可视化

2、投资方法论

2.1.1 预期年化收益率

2.1.2 一个关于y=ax+b的故事

2.1.3-数据标准化

2.1.4-相关性分析

2.2.1.1-一个关于定投的故(姿)事(势)

2.2.1.2-网格交易

2.2.1.3-移动平均线

3、投资实证

[3.1 2023这一年] 被鸽

文章目录

  • [1. 网格策略说明](#1. 网格策略说明)
    • [1.1. 策略说明](#1.1. 策略说明)
    • [1.2. 策略数据样例](#1.2. 策略数据样例)
  • [2. 策略实现](#2. 策略实现)
    • [2.1. 数据结构定义](#2.1. 数据结构定义)
    • [2.2. 加载数据](#2.2. 加载数据)
    • [2.3. 主代码](#2.3. 主代码)
      • [2.3.1. 先看看 want_buy](#2.3.1. 先看看 want_buy)
      • [2.3.2. 买入！today_buy](#2.3.2. 买入！today_buy)
      • [2.3.3. want_sell](#2.3.3. want_sell)
      • [2.3.4. 卖出！today_sell](#2.3.4. 卖出！today_sell)
    • [2.4. 完整代码](#2.4. 完整代码)
  • [3. 收益如何？](#3. 收益如何？)

1. 网格策略说明

网格交易，说最简单的，就是跌了买，涨了卖。

为了少说废话，这里就举1个例子：

name open close date 操作 操作价格
券商ETF 0.98 0.98 2016/9/14 买 0.98
券商ETF 0.983 0.962 2016/9/26 买 0.97
券商ETF 0.982 1.005 2016/10/18 卖 1
券商ETF 1.001 1.025 2016/10/24 卖 1.01
券商ETF 1.001 1.025 2016/10/24 卖 1.02
券商ETF 1.021 1.031 2016/11/1 卖 1.03
券商ETF 1.025 1.05 2016/11/3 卖 1.04
券商ETF 1.025 1.05 2016/11/3 卖 1.05
券商ETF 1.055 1.088 2016/11/11 卖 1.06
券商ETF 1.055 1.088 2016/11/11 卖 1.07
券商ETF 1.055 1.088 2016/11/11 卖 1.08
券商ETF 1.09 1.097 2016/11/14 卖 1.09
券商ETF 1.064 1.034 2016/12/5 买 1.06
券商ETF 1.064 1.034 2016/12/5 买 1.05
券商ETF 1.064 1.034 2016/12/5 买 1.04
券商ETF 1.038 1.026 2016/12/8 买 1.03
券商ETF 1.029 1.001 2016/12/12 买 1.02
券商ETF 1.029 1.001 2016/12/12 买 1.01
券商ETF 1.001 0.988 2016/12/14 买 1
券商ETF 1.001 0.988 2016/12/14 买 0.99
券商ETF 0.981 0.976 2016/12/19 买 0.98
券商ETF 0.975 0.963 2016/12/23 买 0.97
券商ETF 0.995 1.002 2017/2/20 卖 1
券商ETF 0.974 0.962 2017/3/22 买 0.97
券商ETF 0.973 0.96 2017/3/29 买 0.96
券商ETF 0.95 0.944 2017/4/19 买 0.95
券商ETF 0.942 0.937 2017/5/2 买 0.94

1.1. 策略说明

  • 网格的大小，可以自己定义，我定义的是0.01作为一个网格

  • 买入一笔后，如果后面价格涨了x*0.01（这里x可以自己定，我定的是3），那么就卖出

  • 买入一笔后，如果后面价格跌了y*0.01（y一般就是1，也就是1网），那么就继续买入

  • 卖出一笔后，如果后面价格跌了x*0.01（这里x可以自己定，我定的是3），那么就买入

  • 卖出一笔后，如果后面价格涨了y*0.01（y一般就是1，也就是1网），那么就继续卖出

  • 第一天，默认就是买入

  • 后续是按照收盘价和之前买入或卖出的价格进行比较，看是否进行买或卖的操作

1.2. 策略数据样例

2016/9/14买入价0.98，那么，我们预期要么是在1.01卖出，要么是在0.97买入

到了2016/9/26，收盘价是0.962，是>0.97的，那我们就直接认为我们挂单了0.97买入

在2016/9/26以0.97买入之后，我们预期要么是在1.00卖出，要么是在0.96买入

到了2016/10/18，收盘价是1.005，是>1.00的，我们可以成交1笔卖出。

2. 策略实现

2.1. 数据结构定义

python 复制代码 
    def __init__(self, security, start_date=None, end_date=None) -> None:
        super().__init__()
        # security：是这次执行的代码，一般类似512000，510300之类
        # start_date、end_date：会在所有的数据行中，截取对应的时间片段。不传值，那默认就是None，就会用全量数据进行测算。
        # step_price：每个网格的大小，比如我们测算的是512000，是1左右净值的，1%作为网格，是合适的。
        # steps：买入一笔后，如果后面价格涨了x*0.01（这里x可以自己定，我定的是3），那么就卖出。这里的x，就是我们这里的steps
        self.args = {'security': security, 'start_date': start_date, 'end_date': end_date, 'step_price': 0.01, 'steps': 3}
        # 加载数据，后面会具体解释加载过程
        self.daily_df = self.load_data_2_df()
        # 保留本次交易的行数据，方便后面的使用（比如判断上一笔，是买入还是卖出操作）
        self.last_transaction = None
        # 交易历史，最后输出到csv，方便查看
        self.transactions = []

2.2. 加载数据

python 复制代码 
    def load_data_2_df(self):
        # 这个案例，是通过既有数据来跑的，512000，包含了从 2016-09-14 ~ 2024-03-29 的日线数据。
        # 如果想要自己获取数据，可以参考之前的文章：https://blog.csdn.net/sdfiiiiii/article/details/135289226，包含了从qstock获取、处理、存储数据等
        df = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/512000.csv")
        # 如果指定了start_date、end_date，就进行数据的切割
        if self.args['start_date']:
            df = df[df["date"] >= self.args['start_date']]
        if self.args['end_date']:
            df = df[df["date"] <= self.args['end_date']]
        # 转换为日期类型
        df['date'] = df['date'].apply(pd.to_datetime, format='%Y-%m-%d')
        # 按照日期的正序排序（防止数据错位）
        df.sort_values(by="date", ascending=True)
        # 设置dataframe的索引，后面取数比较简便一些.
        df = df.set_index("date")
        # 设置了date为索引之后，dataframe里面就没有date这一列了，有时候为了方便处理，还是把date给加上
        df['date'] = df.index.tolist()
        return df

2.3. 主代码

主代码，意味着，这里是执行流程的核心。

其实也比较简单，就是遍历dataframe，逐行处理数据即可。

python 复制代码 
    def process(self):
        # dataframe的遍历，逐行处理数据
        for index, row in self.daily_df.iterrows():
            # index是索引，就是日期；row是Series类型，一行完整的数据
            if index != self.daily_df.iloc[0]['date']:
                # 非第一天
                # 1.1 今日收盘价如果 < 上次操作的价格，那么可能要买。
                if row['close'] < self.last_transaction['价格']:
                    # want_buy，为什么可能要买，因为在网格中，如果之前是买入，当天价格下跌没有达到下一网，是不买的。这个逻辑在want_buy内部实现
                    self.want_buy(row=row)
                # 1.2 今日收盘价如果 > 上次操作的价格，那么可能要卖，want_sell
                elif row['close'] > self.last_transaction['价格']:
                    # want_sell其实和want_buy是同样的解释。因为在网格中，如果收盘价大于上次交易价格，但没有达到实际要卖出的价格，那也是不卖的。这个逻辑在want_sell内部实现
                    self.want_sell(row=row)
                else:
                    # hold方法，其实什么都没做，return None。意思就是持有不操作。
                    self.hold(row=row)
                print()
            else:
                # 是第一天，默认就是买入
                # want_buy方法，是指可能要买，为什么可能要买，因为在网格中，如果之前是买入，当天价格下跌没有达到下一网，是不买的。这个逻辑在want_buy内部实现
                self.want_buy(row=row)
        # 遍历完所有的数据之后，将所有的交易记录通过pandas存储到csv文件中
        df = pd.DataFrame(self.transactions)
        df.to_csv('%s交易记录.csv' % self.args['security'], index=None)

2.3.1. 先看看 want_buy

python 复制代码 
    def want_buy(self, row):
        if row['date'] == self.daily_df.iloc[0]['date']:
            # 这个是第一天的逻辑，直接执行买入。today_buy就真的是买入操作了，主要是记录买入价格和当前行数据
            this_trans = self.today_buy(row, row['close'])
            # 将买入行相关的信息，存储到self.transactions操作历史中，方便整体输出
            self.transactions.append(this_trans)
        else:
            # 这里就不是第一天了，要去判断是否能买的到（比如价格下跌没到下一网位置，就不买的。）
            if self.last_transaction['操作'] == '买':
                # 如果上一次的操作是'买'，那么要构造1个买入价格的阶梯 [上次买入价格, 今日收盘价]，按照'网格大小'构建一个阶梯price_stairs。
                # 用到的是numpy的arange方法，举例:print(np.arange(10,1,-2)) # 输出[10  8  6  4  2]
                start_buy_price = self.last_transaction['价格']
                price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])
                print('前一天是买入，价格%s。收盘价下跌, 构造的买入阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
                if len(price_stairs) >= 1:
                    # 因为，第一个价格是上次买入价格，所以不要包含在本次的买入阶梯里面，做一些切割[1:]
                    price_stairs = price_stairs[1:]
                    for price in price_stairs:
                        # 一般保留3位小数即可
                        price = round(price, 3)
                        # today_buy，是真正的做买入动作了。
                        this_trans = self.today_buy(row, price)
                        # 将买入信息，集中存储到transactions列表中，后续输出到文件
                        self.transactions.append(this_trans)
                else:
                    print('未达到买入阶梯价，今日不执行买入')
            elif self.last_transaction['操作'] == '卖':
                # 构造买入阶梯价，2. 如果"上一次"是卖出，那么要从"-3*网格"开始买
                start_buy_price = self.last_transaction['价格'] - self.args['steps'] * self.args['step_price']
                # 构造价格区间的方法，跟上面是一样的。
                price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])
                print('前一天是卖出，价格%s。收盘价下跌，构造的买入阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
                if start_buy_price == row['close']:
                    # 如果期望开始买的价格，正好是当天收盘价，其实就是此次要买入的价格
                    price_stairs = np.array([start_buy_price])
                if len(price_stairs) >= 1:
                    # 下面的逻辑，跟上面是一样的。
                    for price in price_stairs:
                        price = round(price, 3)
                        this_trans = self.today_buy(row, price)
                        self.transactions.append(this_trans)
                else:
                    print('未达到买入阶梯价，今日不执行买入')

2.3.2. 买入！today_buy

上面方法，用到的today_buy方法，其实就几行代码：

python 复制代码 
    def today_buy(self, row, price):
        # 扩充行数据元素，增加2列：操作 = 买，价格 = price
        self.daily_df.loc[row['date'], '操作'] = '买'
        self.daily_df.loc[row['date'], '价格'] = price
        # 将买入这个操作的信息，保存在临时变量 self.last_transaction 中，方便后面处理，能快速定位到上次交易是买入还是卖出，以及其价格
        self.last_transaction = self.daily_df.loc[row['date']]
        return self.last_transaction

2.3.3. want_sell

want_sell和want_buy方法及其相似，就不逐行解释了。

python 复制代码 
    def want_sell(self, row):
        # 构造卖出阶梯价，1. 如果"前一天"是卖出，那么构造卖出就是按照下一个"网格"卖
        if self.last_transaction['操作'] == '卖':
            start_sell_price = self.last_transaction['价格']
            price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])
            print('前一天是卖出，价格%s。收盘价上涨, 构造的卖出阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
            if len(price_stairs) >= 1:
                price_stairs = price_stairs[1:]
                for price in price_stairs:
                    price = round(price, 3)
                    this_trans = self.today_sell(row, price)
                    self.transactions.append(this_trans)
            else:
                print('未达到卖出阶梯价，今日不执行卖出')
        # 构造卖出阶梯价，2. 如果"前一天"是买入出，那么要从"+3*网格"开始卖
        elif self.last_transaction['操作'] == '买':
            start_sell_price = self.last_transaction['价格'] + self.args['steps'] * self.args['step_price']
            price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])
            print('前一天是买入，价格%s。收盘价上涨，构造的买卖出阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
            print(price_stairs)
            if start_sell_price == row['close']:
                price_stairs = np.array([start_sell_price])
            if len(price_stairs) >= 1:
                for price in price_stairs:
                    price = round(price, 3)
                    this_trans = self.today_sell(row, price)
                    self.transactions.append(this_trans)
            else:
                print('未达到卖出阶梯价，今日不执行卖出')

2.3.4. 卖出！today_sell

也是跟today_buy大同小异，没什么要特别说明的地方。

python 复制代码 
    def today_sell(self, row, price):
        # 扩充行数据元素，增加2列：操作 = 卖，价格 = price
        self.daily_df.loc[row['date'], '操作'] = '卖'
        self.daily_df.loc[row['date'], '价格'] = price
        # 将卖出这个操作的信息，保存在临时变量 self.last_transaction 中，方便后面处理，能快速定位到上次交易是买入还是卖出，以及其价格
        self.last_transaction = self.daily_df.loc[row['date']]
        return self.last_transaction

2.4. 完整代码

完整的代码已经全部都解释完了，就是上面的几个方法组合起来，就结束，整体代码量，加上充分的注释，163行。

废话少说，上干货，直接就能跑~

python 复制代码 
import pandas as pd
import numpy as np


class FixedGrid:

    def __init__(self, security, start_date=None, end_date=None) -> None:
        super().__init__()
        # security：是这次执行的代码，一般类似512000，510300之类
        # start_date、end_date：会在所有的数据行中，截取对应的时间片段。不传值，那默认就是None，就会用全量数据进行测算。
        # step_price：每个网格的大小，比如我们测算的是512000，是1左右净值的，1%作为网格，是合适的。
        # steps：买入一笔后，如果后面价格涨了x*0.01（这里x可以自己定，我定的是3），那么就卖出。这里的x，就是我们这里的steps
        self.args = {'security': security, 'start_date': start_date, 'end_date': end_date, 'step_price': 0.01, 'steps': 3}
        # 加载数据，后面会具体解释加载过程
        self.daily_df = self.load_data_2_df()
        # 保留本次交易的行数据，方便后面的使用（比如判断上一笔，是买入还是卖出操作）
        self.last_transaction = None
        # 交易历史，最后输出到csv，方便查看
        self.transactions = []

    def load_data_2_df(self):
        # 这个案例，是通过既有数据来跑的，512000，包含了从 2016-09-14 ~ 2024-03-29 的日线数据。
        # 如果想要自己获取数据，可以参考之前的文章：https://blog.csdn.net/sdfiiiiii/article/details/135289226，包含了从qstock获取、处理、存储数据等
        df = pd.read_csv("https://gitee.com/kelvin11/public-resources/raw/master/512000.csv")
        # 如果指定了start_date、end_date，就进行数据的切割
        if self.args['start_date']:
            df = df[df["date"] >= self.args['start_date']]
        if self.args['end_date']:
            df = df[df["date"] <= self.args['end_date']]
        # 转换为日期类型
        df['date'] = df['date'].apply(pd.to_datetime, format='%Y-%m-%d')
        # 按照日期的正序排序（防止数据错位）
        df.sort_values(by="date", ascending=True)
        # 设置dataframe的索引，后面取数比较简便一些.
        df = df.set_index("date")
        # 设置了date为索引之后，dataframe里面就没有date这一列了，有时候为了方便处理，还是把date给加上
        df['date'] = df.index.tolist()
        return df

    def today_buy(self, row, price):
        # 扩充行数据元素，增加2列：操作 = 买，价格 = price
        self.daily_df.loc[row['date'], '操作'] = '买'
        self.daily_df.loc[row['date'], '价格'] = price
        # 将买入这个操作的信息，保存在临时变量 self.last_transaction 中，方便后面处理，能快速定位到上次交易是买入还是卖出，以及其价格
        self.last_transaction = self.daily_df.loc[row['date']]
        return self.last_transaction

    def today_sell(self, row, price):
        # 扩充行数据元素，增加2列：操作 = 卖，价格 = price
        self.daily_df.loc[row['date'], '操作'] = '卖'
        self.daily_df.loc[row['date'], '价格'] = price
        # 将卖出这个操作的信息，保存在临时变量 self.last_transaction 中，方便后面处理，能快速定位到上次交易是买入还是卖出，以及其价格
        self.last_transaction = self.daily_df.loc[row['date']]
        return self.last_transaction

    def want_buy(self, row):
        if row['date'] == self.daily_df.iloc[0]['date']:
            # 这个是第一天的逻辑，直接执行买入。today_buy就真的是买入操作了，主要是记录买入价格和当前行数据
            this_trans = self.today_buy(row, row['close'])
            # 将买入行相关的信息，存储到self.transactions操作历史中，方便整体输出
            self.transactions.append(this_trans)
        else:
            # 这里就不是第一天了，要去判断是否能买的到（比如价格下跌没到下一网位置，就不买的。）
            if self.last_transaction['操作'] == '买':
                # 如果上一次的操作是'买'，那么要构造1个买入价格的阶梯 [上次买入价格, 今日收盘价]，按照'网格大小'构建一个阶梯price_stairs。
                # 用到的是numpy的arange方法，举例:print(np.arange(10,1,-2)) # 输出[10  8  6  4  2]
                start_buy_price = self.last_transaction['价格']
                price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])
                print('前一天是买入，价格%s。收盘价下跌, 构造的买入阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
                if len(price_stairs) >= 1:
                    # 因为，第一个价格是上次买入价格，所以不要包含在本次的买入阶梯里面，做一些切割[1:]
                    price_stairs = price_stairs[1:]
                    for price in price_stairs:
                        # 一般保留3位小数即可
                        price = round(price, 3)
                        # today_buy，是真正的做买入动作了。
                        this_trans = self.today_buy(row, price)
                        # 将买入信息，集中存储到transactions列表中，后续输出到文件
                        self.transactions.append(this_trans)
                else:
                    print('未达到买入阶梯价，今日不执行买入')
            elif self.last_transaction['操作'] == '卖':
                # 构造买入阶梯价，2. 如果"上一次"是卖出，那么要从"-3*网格"开始买
                start_buy_price = self.last_transaction['价格'] - self.args['steps'] * self.args['step_price']
                # 构造价格区间的方法，跟上面是一样的。
                price_stairs = np.arange(start_buy_price, row['close'], -self.args['step_price'])
                print('前一天是卖出，价格%s。收盘价下跌，构造的买入阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
                if start_buy_price == row['close']:
                    # 如果期望开始买的价格，正好是当天收盘价，其实就是此次要买入的价格
                    price_stairs = np.array([start_buy_price])
                if len(price_stairs) >= 1:
                    # 下面的逻辑，跟上面是一样的。
                    for price in price_stairs:
                        price = round(price, 3)
                        this_trans = self.today_buy(row, price)
                        self.transactions.append(this_trans)
                else:
                    print('未达到买入阶梯价，今日不执行买入')

    def want_sell(self, row):
        # 构造卖出阶梯价，1. 如果"前一天"是卖出，那么构造卖出就是按照下一个"网格"卖
        if self.last_transaction['操作'] == '卖':
            start_sell_price = self.last_transaction['价格']
            price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])
            print('前一天是卖出，价格%s。收盘价上涨, 构造的卖出阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
            if len(price_stairs) >= 1:
                price_stairs = price_stairs[1:]
                for price in price_stairs:
                    price = round(price, 3)
                    this_trans = self.today_sell(row, price)
                    self.transactions.append(this_trans)
            else:
                print('未达到卖出阶梯价，今日不执行卖出')
        # 构造卖出阶梯价，2. 如果"前一天"是买入出，那么要从"+3*网格"开始卖
        elif self.last_transaction['操作'] == '买':
            start_sell_price = self.last_transaction['价格'] + self.args['steps'] * self.args['step_price']
            price_stairs = np.arange(start_sell_price, row['close'], self.args['step_price'])
            print('前一天是买入，价格%s。收盘价上涨，构造的买卖出阶梯是：%s' % (self.last_transaction['价格'], price_stairs))
            print(price_stairs)
            if start_sell_price == row['close']:
                price_stairs = np.array([start_sell_price])
            if len(price_stairs) >= 1:
                for price in price_stairs:
                    price = round(price, 3)
                    this_trans = self.today_sell(row, price)
                    self.transactions.append(this_trans)
            else:
                print('未达到卖出阶梯价，今日不执行卖出')

    def hold(self, row):
        return None

    def process(self):
        # dataframe的遍历，逐行处理数据
        for index, row in self.daily_df.iterrows():
            # index是索引，就是日期；row是Series类型，一行完整的数据
            if index != self.daily_df.iloc[0]['date']:
                # 非第一天
                # 1.1 今日收盘价如果 < 上次操作的价格，那么可能要买。
                if row['close'] < self.last_transaction['价格']:
                    # want_buy，为什么可能要买，因为在网格中，如果之前是买入，当天价格下跌没有达到下一网，是不买的。这个逻辑在want_buy内部实现
                    self.want_buy(row=row)
                # 1.2 今日收盘价如果 > 上次操作的价格，那么可能要卖，want_sell
                elif row['close'] > self.last_transaction['价格']:
                    # want_sell其实和want_buy是同样的解释。因为在网格中，如果收盘价大于上次交易价格，但没有达到实际要卖出的价格，那也是不卖的。这个逻辑在want_sell内部实现
                    self.want_sell(row=row)
                else:
                    # hold方法，其实什么都没做，return None。意思就是持有不操作。
                    self.hold(row=row)
                print()
            else:
                # 是第一天，默认就是买入
                # want_buy方法，是指可能要买，为什么可能要买，因为在网格中，如果之前是买入，当天价格下跌没有达到下一网，是不买的。这个逻辑在want_buy内部实现
                self.want_buy(row=row)
        # 遍历完所有的数据之后，将所有的交易记录通过pandas存储到csv文件中
        df = pd.DataFrame(self.transactions)
        df.to_csv('%s交易记录.csv' % self.args['security'], index=None)


if __name__ == '__main__':
    # this = FixedGrid(security='512000', start_date='2020-09-14', end_date='2023-09-14')
    this = FixedGrid(security='512000', start_date=None, end_date=None)
    this.process()

3. 收益如何？

其实这里还是要说的，网格这个东西，我们还缺了一个前置条件：

  1. 你得有足够的持仓在手里，你才能在想卖的时候卖出，对吧？
  2. 你得有足够的money在手机，你才能在想买入的时候买，对吧？

所以，这个策略，是为了告诉我们，如果我都ok，那理论上，一年下来，我能卖出多少回？也就是做了多少次的T，能赚多少钱？

我把这个统计的结果文件，放在了：512000交易记录

为了对这个策略有信心，我只看，每年，卖出了多少回？

插个题外话，这个策略有很多改进的地方，比如：

  1. 可以不按照close收盘价来算，而是按照当天的最高或最低价来算
  2. 网格，可以有增强，比如，增加网格数量，或者增加买入、卖出份额等

我自己已经非常忠实的执行了网格交易有一段时间，对结果还是比较满意的，贴一下记录，有兴趣的可以交流。

相关推荐
蓝天星空1 小时前
Python调用open ai接口
人工智能·python
jasmine s1 小时前
Pandas
开发语言·python
郭wes代码1 小时前
Cmd命令大全（万字详细版）
python·算法·小程序
leaf_leaves_leaf1 小时前
win11用一条命令给anaconda环境安装GPU版本pytorch，并检查是否为GPU版本
人工智能·pytorch·python
夜雨飘零11 小时前
基于Pytorch实现的说话人日志（说话人分离）
人工智能·pytorch·python·声纹识别·说话人分离·说话人日志
404NooFound1 小时前
Python轻量级NoSQL数据库TinyDB
开发语言·python·nosql
天天要nx2 小时前
D102【python 接口自动化学习】- pytest进阶之fixture用法
python·pytest
minstbe2 小时前
AI开发：使用支持向量机（SVM）进行文本情感分析训练 - Python
人工智能·python·支持向量机
落魄实习生2 小时前
AI应用-本地模型实现AI生成PPT(简易版)
python·ai·vue·ppt
苏言の狗2 小时前
Pytorch中关于Tensor的操作
人工智能·pytorch·python·深度学习·机器学习
热门推荐
01〔AI 绘画〕Stable Diffusion 之 解决绘制多人或面部很小的人物时面部崩坏问题 篇02YOLOv8训练好模型后，追加轮数继续训练、或者提前终止训练，缩减训练轮数03玄机平台应急响应—webshell查杀04机器人编程怎么入门？05HCIA-datacom数通题库和录播视频资料06Docker 夺命连环 15 问07SQL 主从数据库实时备份08校验 GPT-4 真实性的三个经典问题：快速区分 GPT-3.5 与 GPT-4，并提供免费测试网站09(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明10VSCode插件 —— Cody AI （免费AI助手！）