指南：在最近几天的推文中，引入了深度学习中的三个主要神经网络-DNN，CNN和RNN。今天，本文以库存数据集为例，充当实际战斗和对其进行比较。
不熟悉这三种类型的神经网络的读者，欢迎观看历史推文：
Pytorch学习系列教程：深神经网络[DNN]
Pytorch学习系列教程：卷积神经网络[CNN]
Pytorch学习系列教程：圆形神经网络[RNN]
DNN，CNN和RNN是深度学习中的三个经典神经网络。其中，DNN可以将历史序列特性转换为完整的连接网络，而CNN可以使用一个维度卷积特征来提取特征提取。RNN自然适合序列数据建模。
比较三个主要神经网络预测效应
本文的结构如下：
此实际情况选择了库存数据，以及2005年1月至2021年7月的时间范围，总共有4027条记录，每个记录包括[开放，高，低，关闭，vol]一起5个功能字段。数据如下。：
显然，每个字段的值范围不同。为了尽可能地适应神经网络中激活功能的最佳特征范围，需要执行特征场。这是Sklearn的MinMaxScarr。同时，为了确保在数据预处理过程中不会泄漏信息，仅在培训MinmaxScarar时才可以使用培训浓度记录。因此，这里基于此处。选择了8：2和800记录以提取测试集，并将先前的数据用作培训集。因此，请执行以下数据预处理：
然后，在预处理后检查数据：
显然，除了VOL列字段到[0，1]的数据范围外，其他四个字段的最大值超过1，因为测试浓度的数据范围大于训练浓度的数据范围，但是这甚至是实用培训的要求。
然后，构建了数据集。由于是时间序列数据，我们的任务基于当前和历史数据。它预测第二天股票的收盘价（近距离字段）。构建数据集和标签列，施工过程如下：
然后，训练集和测试集被切割。因为它是正时数据，因此只能将其分为顺序。在这里，使用了先前的设置，并选择了800个记录作为测试集。以前的培训集：
在这一点上，数据集的准备和切割已经完成。注意，此处的数据集的维度为3，这意味着[批处理，seq_len，input_size]，也就是说，[样本号，序列长度，特征长度，特征编号] .NEXT，使用三种类型的神经网络来建模。
DNN是最早的神经网络，主要组成元素是几个完整连接的层和相应的激活功能。在为了加入多个矩的历史特征的完整连接训练，您需要首先将三个维输入数据弄平展示两个维度输入数据。这是[batch，seq_len，input_size]成为[batch，seq_len*input_size]，然后您可以应用完整的连接模块。在这里，我们在DNN中添加了3个隐藏层，并遵循神经元的节奏，特别是，特别是DNN模型设计如下：
然后，您可以开始培训。其中，模型优化器选择ADAM并保留0.001的默认学习率。损失功能用于使用MSLOSS。培训过程如下：
总体而言，模型训练相对有效，损失很快下降。使用最终模型来预测测试集的输出并绘制控制曲线：
看上去不错！
CNN模型的核心元素是卷积和合并，因此在这里我们还将这两个模块应用于序列数据。值得注意的是，对于序列数据，应执行特征的特征数量，以及卷积的方向。滑动应在序列维度上。也就是说，我们应该首先将输入数据形状从[batch，seq_len，input_size]转换为[批处理，input_size，seq_len]，然后应用一个维度卷积和一个维度合并层。我们首先在不失去普遍性的情况下，首先设置两个kernel_size = 3 conv1d和两个kernel_size = 2 avgpool1d，然后将功能展览转换为2维度。最后，获得了完整的连接。模型构建代码如下：
接下来是培训过程。训练参数设置为DNN。代码和结果如下：
绘制它以显示：
看上去不错！
RNN自然适合序列数据建模。在这里，我们选择gru练习，只选择最基本的gru结构，即num_layers = 1，双向= false。在最后一刻隐藏状态HN输出的基础上，使用完整的连接来获得预测输出。网络结构代码如下：
RNN模型培训仍沿初步训练参数设置。培训过程和结果如下：
查看输出并绘制预测结果曲线如下：
先前的预测相对准确，但最终预测误差很大。这可能是由于测试集标签超过1的实际值所致，这种情况是该模型无法在培训集中学习的信息...
最后，我们比较了股票预测任务中三个主要神经网络模型的性能。首先查看其各自预测结果的比较曲线：
总体而言，在所有测试集中DNN和CNN的性能都比RNN好一些。然后比较评估指标和训练速度：
好吧，DNN几乎显示出曲折的趋势 - 模型训练速度很快，预测结果很高！这通常可以反映出两个结论：
上述案例和结论仅供参考！
原始：https：//juejin.cn/post/7095367940135976973