tensorflow预测涨停股票
① tensorflow实现了哪些算法
在这样的数据流图中，有四个主要的元素：
* 操作(operations)
* 张量(tensors)
* 变量(variables)
* 会话(sessions)
② tensorflow如何提前结束迭代，如设置迭代2000次用tensoboard发现1500次就可以了，能否设置个开关关闭迭代
这个应该有挺多方法的：
在程序里判断结束条件，既然tensorboard里看的见，程序应该也可以判断出来
粗暴一点直接ctrl+c结束程序，主程序监听 KeyboardInterrupt 异常，在异常处理中保存模型即可
再一种稍麻烦的办法是用线程，一个线程训练，一个线程接收用户输入，根据输入判断是否中断训练
③ （tensorflow ）基于堆叠去噪自动编码机，来训练和预测交通流，求大神帮忙
我给你堆叠去噪自动编码机一篇，原创，格式符合.
④ 如何优雅地利用tensorflow预测时间序列
在刚刚发布的TensorFlow 1.3版本中，引入了一个TensorFlow Time Series模块（源码地址为：tensorflow/tensorflow，以下简称为TFTS）。TFTS专门设计了一套针对时间序列预测问题的API，目前提供AR、Anomaly Mixture AR、LSTM三种预测模型。
⑤ tensorflow框架中怎么使用ResNet提取图像的特征，我在网上找的代码太乱，看不懂，有熟悉的朋友解答一下呗
把倒数的全连接层的第二层/第三层的结果输出来，就是“特征”。当然，这个说法不严格，真正的特征是最后一个pooling，或者卷积层拍平后的那些。但那个维度太高了
⑥ 谷歌正式发布TensorFlow 1.0 它有哪些突出亮点
谷歌终于发布了第一代和第二代Nexus7蜂窝版安卓5.0.2的出厂镜像。本月月初，谷歌只发布了WiFi版Nexus7(2013)的安卓5.0.2 出厂镜像。上个月，谷歌则发布了第一代WiFi版Nexus7安卓5.0.2出厂镜像。所有版本的Nexus7安卓5.0.2的出厂镜像型号均为LRX22G。 不过需要指出的是，谷歌目前还没向蜂窝版Nexus7推送安卓5.0.2 OTA更新。因此Nexus7用户既可以选择现在刷入该出厂镜像，率先体验安卓5.0.2新版系统，也可以耐心等待谷歌方面的推送。
⑦ 对于机器学习tensorflow 少量样本和很多样本训练得到的权重文件有什么差别收敛速度的比较如何
两者得到的权重文件并没有本质上的区别，都是模型参数
差别是，少量样本的泛化会比较差，也就是在训练集表现优良，在测试集表现比较差（容易过拟合）。大样本泛化会比较好一些。
少样本可能收敛速度比较快（因为特征少，需要学的东西也少）
⑧ tensorflow的各种优化算法怎么实现的
如何高效的学习TensorFlow代码?目前TensorFlow代码已超过40w行，从代码量上来看，绝不是一个能够迅速上手的小项目。所以，想要精通TensorFlow的同学需要做好心理准备。对于想要学习TensorFlow（以下简称TF）的人，根据目的不同，可以简单分为以下2类：1.研究学者，仅仅需要TF这个平台实现深度学习算法，无需了解太多底层原理2.好学的行业内人员（比如我⊙﹏⊙），不仅需要了解算法模型，同时还要熟悉TF平台的原理。在算子、通信、模型优化等方面进行平台的二次开发的人。研究学者：你们可以考虑使用Keras，Python写的深度神经网络库，已经实现了绝大部分神经网络，如：RNN、GRU、LSTM，CNN，Pooling，Full-Connected，以及sigmoid、tanh、Relu、PRelu、SRelu等各种激活函数。并且采用TF/Theano作为后端计算引擎，自己本身拥有一套更高层的API，可以同时跑在TF/Theano平台上。相对于TF来说，这个学习压力小了很多，我们公司负责算法的同事也是用Keras来写模型，然后我再用TF的API来实现分布式部署。附：开发人员：对于我们这类人来说，首先需要弄清平台的很多名称、概念、定义，@贾扬清曾说过TF有太多的Abstraction需要学习。诚然，这加大了我们的学习难度。但是，这也说明Google是想要把这个平台做大做强的，所以才会花时间去设计这一套框架和统一的结构。特别是读了部分源码后，更有这种感触。那么，具体要怎么开始呢？极客学院有翻译部分TF的官方文档，对于初步了解Tensor、DAG、Operator、Variable、Device、Optimizer等是帮助的。在看完这些概念后，有一个MNIST的例子程序作为TF的入门。这个样例用一个简单的Softmax实现了手写体数字识别的神经网络，只有一层参数。同时还介绍了Session、tf.placeholder、图的计算等重要概念。在看完这个样例后，如果理解了DAG和Session，可以继续看用卷积神经网络实现的MNIST，准确率上升到了99%，相对于单层Softmax的92%左右，已经接近目前最高的准确率了。TFv0.8发布了分布式模型，我也研究了将近1个月，才把Seq2seq机器翻译改造成了分布式，但是现在公司不让发布出来ORZ。好消息是，我改写了社区的MNIST分布式程序，并且已经合并到master分支了。所以，如果想要继续学习分布式的话，我建议可以看一下那份代码。比较遗憾的是，极客学院目前没有翻译分布式的教程，所以大家得移步TF官网（貌似被墙了）。由于分布式的资料较少，我这里简单梳理下概念，大家在官网会看到他们的定义：TF采用了PS/Worker的结构来定义集群，其中PS(parameterserver)：存储variable（模型参数），主要负责参数更新和发放；Worker：存储operator，主要负责图计算和梯度计算（TF使用Optimizer实现了自动化的梯度计算）；job：由于工作类型不同，用job_name来区分ps和workertask：对于每个worker来说，具体做什么任务（算什么图）也有可能不同，用task_index区分device：指具体的CPU/GPU，通常PS绑定到CPU上，Worker绑定到GPU上，各取所长。syncReplicaOptimizer：同步优化器，其本质仍然是用普通优化器进行梯度计算，但是通过Queue机制和Coordinator多线程协同实现了所有worker的梯度汇总和平均，最终将梯度传回PS进行参数更新。以上几个概念对于分布式的理解非常重要。当然，想要完全弄懂，还得不断的看文档和源码。源码我推荐几个python目录下非常值得看的基础类定义：framework/Ops.py：定义了Tensor、Graph、Opreator类等Ops/Variables.py：定义了Variable类
⑨ tensorflow 能拿到每个标签的概率值吗
交叉熵一开始是信息论上的概念，后来在机器学习中引入用来做误差度量的，它反映的是预测值和实际值之间的误差，机器学习通过不断减少这个误差，来达到构建预测模型的目的。如何通俗的解释信息熵，交叉熵和相对熵
⑩ 如何加快tensorflow模型预测速度架构设计
1.用更高性能的GPU服务器（最砸钱最省力的结果）
2.用flask或tensorflowserving做模型线上部署，可以省却读model的时间