喜欢的话别忘了点赞、收藏加关注哦（关注即可查看全文），对接下来的教程有兴趣的可以关注专栏。谢谢喵！(=･ω･=)
本文紧承 3.2. 循环神经网络(RNN)理论(基础) ，没看过的建议先看上文。
3.4.1. 准备工作
请在终端输入指令以下载和安装：
bash
pip install keras tensorflow pandas这里需要使用到我的csv文件，我把它上传到了GitCode，你点击链接即可查看和下载。
它有3栏信息，一栏是Time，代表时间点，有1到700一共700个时间点；一栏是Value，代表股价。
把下载好后的数据放到你的Python项目下即可。
3.4.2. 模型细节
在正式敲代码之前，我们先来确定模型的一些细节：
- 单层RNN，输出有5个神经元，再基于这5个神经元的值来确定1个最终的输出
- 每次使用前八个数据预测第九个数据
3.4.3. 敲代码
Step 1: 读取数据
使用pandas库来读取数据，顺便给变量赋值：
python
# 读取数据
import pandas as pd
data = pd.read_csv('simulated_stock_data.csv')
prices = data.loc[:, 'Value']
times = data.loc[:, 'Time']再使用matplotlib画出原始数据：
python
# 可视化原始数据
import matplotlib.pyplot as plt
plt.plot(times, prices)
plt.show()图片输出：
Step 2: 归一化处理
由上图可知，我们的数据最小在90左右，最大在130左右，数据的差距太大了，很容易出现像"碗边陡峭，底部平坦"的情况。为了避免这种情况，我们需要归一化处理，把数据缩放到 [ 0 , 1 ] [0,1] [0,1]的区间内，这样在进行梯度下降时能让等高线更"圆滑"。
python
# 数据归一化
price_norm = prices / max(prices)Step 3: 提取X和y
上文讲到，每次使用前八个数据预测第九个数据，所以我们得先提取出序列数据，每八个数据形成一个小组，把这些组合在一起形成二维数组：
python
# 提取X和y
import numpy as np
def extract_xy(data, time_step):
X, y = [], []
for i in range(len(data) - time_step):
X.append([a for a in data[i: i + time_step]])
y.append(data[i + time_step])
X = np.array(X)
X = np.reshape(X, (X.shape[0], X.shape[1], 1))
return X, y
time_step = 8
X, y = extract_xy(price_norm, time_step)-
time_step表示用几个连续的数据作为一组输入，用来预测其后一个数据。这里的time_step = 8，所以每次输入是 8 个值。 -
循环从
0到len(data) - time_step（确保不会超出数组范围）。每次循环里：data[i: i + time_step]提取从第i个位置开始的连续time_step（即 8 个）数据，作为一组输入序列，存入Xdata[i + time_step]提取第i + time_step位置的数据，作为目标值，存入y- 例如： 如果输入数据
data = [1, 2, 3, 4, 5, 6, 7, 8, 9]且time_step = 3，运行这个循环后：X = [[1, 2, 3], [2, 3, 4], [3, 4, 5], [4, 5, 6], [5, 6, 7], [6, 7, 8]]、y = [4, 5, 6, 7, 8, 9]
-
最后我们要使用numpy来调整
X和y的形状:- 对于
X，调整形状为(样本, time_step, 1)，每个样本表示一个包含time_step个数据的小组，并且增加一个额外维度（用于深度学习模型的输入，表示特征数量，这里是 1） - 对于
y，调整形状为(样本, 1)，以符合模型的输出格式
- 对于
Step 4: 建立并配置模型
接下来我们就可以建立RNN模型了，记得按照上文的要求来（单层RNN，输出有5个神经元，再基于这5个神经元的值来确定1个最终的输出）：
python
# 建立模型
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, SimpleRNN
model = Sequential()
model.add(SimpleRNN(units=5, input_shape=(time_step, 1), activation='relu'))
model.add(Dense(units=1, activation='linear'))
model.compile(loss='mean_squared_error', optimizer='adam')
model.summary()-
SimpleRNN 层：
units=5: 定义 RNN 的输出维度为 5，即该层 RNN 的隐状态（hidden state）的大小input_shape=(time_step, 1):time_step=8（在前面的代码中定义）：表示输入的数据有 8 个时间步1：表示每个时间步的数据维度为 1（因为归一化后的输入对应的是价格值的标量，只有一列）
activation='relu': 使用 ReLU 激活函数，鼓励非线性建模
-
Dense 层：
units=1: 定义输出维度为 1，用于预测单个价格值activation='linear': 使用线性激活函数，使输出直接为一个数值（线性回归的形式）
-
编译模型：
loss='mean_squared_error': 使用均方误差作为损失函数，适合回归问题optimizer='adam': Adam 优化器，结合了动量和自适应学习率调节的优化算法
-
打印模型架构：
model.summary()打印模型的结构概要，包括每一层的名称、输出维度和参数数量等
输出：
Model: "sequential"
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
┃ Layer (type) ┃ Output Shape ┃ Param # ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
│ simple_rnn (SimpleRNN) │ (None, 5) │ 35 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ dense (Dense) │ (None, 1) │ 6 │
└─────────────────────────────────┴────────────────────────┴───────────────┘
Total params: 41 (164.00 B)
Trainable params: 41 (164.00 B)
Non-trainable params: 0 (0.00 B)Step 5: 训练模型
把数据喂给模型即可：
python
# 训练模型
model.fit(X, y, epochs=200, batch_size=32)Step 6: 训练集预测结果
最后我们看看模型预测出的结果，把它叠加在原始数据上看看差距大不大：
python
# 训练集预测
y_train_predict = model.predict(X) * max(prices)
y_train = [i*max(prices) for i in y]
import matplotlib.pyplot as plt
plt.plot(y_train, label='real_price')
plt.plot(y_train_predict, label='predict_price')
plt.legend()
plt.show()* max(prices):- 将预测值反归一化，恢复到原始价格的范围
max(prices)是归一化时使用的最大值，现在用于将预测结果映射回实际的价格范围
输出图片：
可以看出效果挺好的，差距不大。