模式识别分类 虚拟货币价格起起伏伏，你怕了吗？(5)

现在我们用 PyTorch 来定义上文在 Keras 上训练的模型：

class Net(torch.nn.Module):
   def __init__(self, n_feature, n_hidden):
       super(Net, self).__init__()
       self.hidden = torch.nn.Linear(n_feature, n_hidden)   # hidden layer
       self.predict = torch.nn.Linear(n_hidden, 1)   # output layer
def forward(self, x):
       x = self.hidden(x)
       x = self.predict(x)
       return x

相比于贝叶斯回归模型，我们现在有两个参数集（从输入层到隐藏层的参数和隐藏层到输出层的参数），所以我们需要对分布和先验知识稍加改动，以适应我们的模型：

priors = {'hidden.weight': w_prior,
             'hidden.bias': b_prior,
             'predict.weight': w_prior2,
             'predict.bias': b_prior2}

以及 guide 部分：

dists = {'hidden.weight': w_dist,
             'hidden.bias': b_dist,
             'predict.weight': w_dist2,
             'predict.bias': b_dist2}

请不要忘记为模型中的每一个分布起一个不同的名字，因为模型中不应存在任何歧义和重复。更多代码细节请参见源代码：https://github.com/Rachnog/Deep-Trading/tree/master/bayesian

训练之后，让我们看看最后的结果：

使用 Pyro 神经网络进行为期 30 天的预测

它看起来比之前的结果都好得多！

比起常规贝叶斯模型，考虑到贝叶斯模型所中习得的权重特征或正则化，我还希望看到权重的数据。我按照以下方法查看 Pyro 模型的参数：

for name in pyro.get_param_store().get_all_param_names():
   print name, pyro.param(name).data.numpy()

这是我在 Keras 模型中所写的代码：

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-70150-5.html