正在加载...

​重要声明:本公众号的文章只是本人的看法和操作纪录,不构成投资操作建议。本文所有看法仅代表个人观点,仅供参考!投资需谨慎!

一、大盘大势看法

昨晚提示外围风险初现,今天大盘确实调整了,不过是日内V型调整,个股分化,创业板却是强到逆天,深V后尾盘创下新高!外围暴跌也阻止不了创业板飞天了!

警惕芯片板块的拉高出货!外围风险初现

今天两市继续维持万亿以上成交量,继续爆量,成交量创下1.4万亿的新高,市场情绪依然亢奋!但是呢机构资金和外资都显示大幅净流出,意思就是散户资金冲进去更多。嗯,都在说大牛市了,我看不太像。只当结构性行情做。

二、板块与个股

More …


​重要声明:本公众号的文章只是本人的看法和操作纪录,不构成投资操作建议。本文所有看法仅代表个人观点,仅供参考!投资需谨慎!

一、大盘大势看法

昨晚本人说了本轮行情的三个原因,见如下链接:

大反弹还是大牛市开启?下周如何操作?

今天两市继续维持万亿以上成交量,暂时没见缩量,市场情绪依然亢奋!昨晚说今天上证不有效跌破3010还是强势。今天最低3007,最高3042,并没有效跌破,维持强势震荡。

但刚刚看了外围市场有恐慌的趋势,欧洲各国股市全线大跌,不可不防!主要由于疫情在国外有蔓延之势。


More …


​重要声明:本公众号的文章只是本人的看法和操作纪录,不构成投资操作建议。本文所有看法仅代表个人观点,仅供参考!投资需谨慎!

最近的火热行情和两市万亿成交量,已经让很多大号吹多大牛市了。今天开始,不定时在公众号写写股市投资笔记。

一、大盘大势看法

本人认为这波强反弹行情主要是以下3个原因导致:

1、由于疫情的突然恶化,砸了一个大坑;

2、长达一个月的大部分股民被逼窝在家里参与du;

3、另外央妈为了应对疫情对经济的影响释放短期大量的资金流动性。

上证和深成指的技术指标目前还没形成系统风险,但要谨慎防止下周陆续复工,复工之后成交量下降的概率还是蛮大。一旦后面成交量萎缩厉害,大盘就会形成日线顶背离趋势。简单说,短线上证不有效跌破3010还是强势。

二、板块与个股

More …

TF学习笔记,纪录一下,实现代码如下:

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

#使用numpy生成200个随机点
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise = np.random.normal(0,0.02,x_data.shape)
y_data = np.square(x_data) + noise

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])

#定义神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1,10]))
biases_L1 = tf.Variable(tf.zeros([1,10]))
Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1)

#定义神经网络输出层
Weights_L2 = tf.Variable(tf.random_normal([10,1]))
biases_L2 = tf.Variable(tf.zeros([1,1]))
Wx_plus_b_L2 = tf.matmul(L1,Weights_L2) + biases_L2
prediction = tf.nn.tanh(Wx_plus_b_L2)

#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法训练
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
    #变量初始化
    sess.run(tf.global_variables_initializer())
    for _ in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
        
    #获得预测值
    prediction_value = sess.run(prediction,feed_dict={x:x_data})
    #画图
    plt.figure()
    plt.scatter(x_data,y_data)
    plt.plot(x_data,prediction_value,'r-',lw=5)
    plt.show()

运行结果如下图:

More …

MNIST数据集是手写数字0~9的数据集,一般被用作机器学习领域的测试。

本程序先导入数据,再利用最小梯度法进行训练使得样本交叉熵最小,最后给出训练之后程序的准确率。

交叉熵的定义:

y 是我们预测的概率分布, y’ 是实际的分布。

该指标用来衡量学习结果与实际情况的差距。

More …

代码可在https://github.com/TimeIvyace/MNIST-TensorFlow.git中下载,程序名为train.py。

以下代码实现了使用TensorFlow搭建神经网络解决MNIST手写体数字识别问题,此神经网络使用了激活函数去线性化,本身为三层全连接结构,带有指数衰减的学习率以及L2正则化损失函数,同时使用滑动平均模型进行优化。

More …

目前常见的深度学习框架有 TensorFlow 、Caffe、Theano、Keras、PyTorch、MXNet等。这些深度学习框架被应用于计算机视觉、语音识别、自然语言处理与生物信息学等领域,并获取了极好的效果。下面将主要介绍当前深度学习领域影响力比较大的几个框架,内容出自书籍《深度学习框架PyTorch:入门与实践》。

More …

选自Github等
机器之心编译参与:蒋思源

机器之心此前曾提供过机器学习和深度学习最好的九张代码速查表,不过近日又有博主发表了一次完全的速查表。虽然有一些和以前是重复的,但还是增加了一些新的速查表。本文前一部分主要重点描述新添加的速查表,后一部分再为读者提供一些以前的速查表资源。这些速查表暂时是保持英文的,因为后面一些不熟悉的库和函数我们可能编译不太精确。所以如果读者有较多需求,机器之心会考虑在 Github 中汉化这些概念和库函数速查表。文末提供了所有速查表的百度云下载地址。

首先第一张图描述了机器学习的主要分类和算法。虽然有几个表情没看懂,但我们发现这些表情还是挺有意思的。如下图所示,机器学习可分为监督学习、无监督学习和强化学习。接下来主要是回归方法、分类方法、聚类方法、降维方法和其他一些重要的特征。我们还可以看看具体算法的表情,随机森林是四棵不同的树我们能懂,但为什么支持向量机是一只独角兽?还有一些其实挺生动的,例如异常检测所用的表情就是三只熊猫夹一只狗熊。

More …

机器之心原创,机器之心编辑部,转自机器之心公众号。

作为最早关注人工智能技术的媒体,机器之心在编译国外技术博客、论文、专家观点等内容上已经积累了超过两年多的经验。期间,从无到有,机器之心的编译团队一直在积累专业词汇。虽然有很多的文章因为专业性我们没能尽善尽美的编译为中文呈现给大家,但我们一直在进步、一直在积累、一直在提高自己的专业性。

两年来,机器之心编译团队整理过翻译词汇对照表「红宝书」,编辑个人也整理过类似的词典。而我们也从机器之心读者留言中发现,有些人工智能专业词汇没有统一的翻译标准,这可能是因地区、跨专业等等原因造成的。举个例子,DeepMind 的一篇论文中有个词汇为 differentiable boundary tree,当时机器之心的翻译为可微分界树,但后来有读者表示这样的译法如果不保留英文很难明白表达的意思且建议翻译为可微分边界树。

因此,我们想把机器之心内部积累的人工智能专业词汇中英对照表开放给大家,希望为大家写论文、中文博客、阅读文章提供帮助。同时,这也是一份开放的表单,希望越来越多的人能够提供增添、修改建议,为人工智能的传播助力。

项目地址:https://github.com/jiqizhixin/Artificial-Intelligence-Terminology

组织形式

读者在此项目中,可通过以上表盘查看自己想要了解的专业词汇。在单个首字母中,表格的组织形式为:英文/缩写、汉语、来源&扩展。

来源&扩展是对该词汇的注解,内容为机器之心往期的相关文章。例如下图所示的「算法」,我们关联到的三篇文章是《回归、分类与聚类:三大方向剖解机器学习算法的优缺点》和《机器学习算法附速查表》和《深度学习算法全景图:从理论证明其正确性》。因此,我们希望不仅能提供相对应的术语,同时还希望能为读者提供每一个术语的来源和概念上的扩展。但由于这一部分工作量较大,我们还将与读者共同推进这一部分扩展的进程。

More …