返回资源列表

Lil'Log(Lilian Weng 个人博客) · Lilian Weng

Predict Stock Prices Using RNN: Part 2

Predict Stock Prices Using RNN: Part 2是Lil'Log(Lilian Weng 个人博客)的免费文章(en)。前置条件:需要了解 RNN/LSTM 基本原理、Python 基础,并熟悉该系列 Part 1 中的 TensorFlow 图、训练会话与基础代码结构。

学会在 TensorFlow 的 RNN 模型中用股票代码嵌入处理多只股票的价格序列预测,并能用 TensorBoard 可视化计算图和嵌入向量。

打开官方课程
难度
见前置条件
类型
教程 · 文章
语言
en
规模
1 个课节
内容费用
免费
动手
需要动手环境

使用限制

学习材料无需账号即可阅读;练习需本地环境与联网下载数据。

练习与作业
能联网访问公开股票历史价格数据源(文中为 Google Finance 下载链接)
内容提示
内容时效:网页标注 2017 年 7 月 22 日发布,正文写明 Yahoo 历史数据获取 API 已关闭、数据抓取改用 Google Finance 链接,代码使用 TensorFlow 1.x 的 tensorflow.contrib 等旧版接口。
  1. 选择学习环境

    按你的电脑系统准备;提示词在你自己的电脑上使用。

    本机动手

    先通读全文,再在本地按顺序复现数据获取、图定义、训练与可视化四部分代码。

    原站未说明额外要求;练习需本地安装 TensorFlow(文中使用较旧的 tf 1.x API 与 tensorflow.contrib)及 scikit-learn,并能访问公开股票历史数据源。

  2. 准备工具和账号

    标“选用”的可以跳过。

    • Python 3运行文中示例代码
    • TensorFlow(1.x API) 构建计算图、训练与 TensorBoard 可视化
    • scikit-learn使用 LabelEncoder 对股票代码编码
    • TensorBoard选用查看图结构与嵌入可视化
    • 本地安装 TensorFlow 1.x(用到 tensorflow.contrib)与 scikit-learn用于练习与作业

    运行费用:实践无额外费用,练习只需本地运行 TensorFlow 与下载公开股票数据,网页未提及付费云服务或 API。

  3. 让 AI Agent 一次搭好课程

    复制开课提示词发给你常用的 AI Agent。它会下载允许保存的官方材料、建立课节目录并自检;需要账号、权限或费用时会先问你。

    开课提示词 · 只需用一次此提示词尚未实测验证
    请帮我把「Predict Stock Prices Using RNN: Part 2」的学习环境一次准备好,让我之后只需要按顺序学习和做练习。
    开始前先问我:课程放在哪个目录(等我给出完整路径),确认我的操作系统和已有工具。确认前不要创建文件或安装软件。
    
    课程入口:https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/
    我的系统:Linux。如果实际不符,先调整方案。
    本次路线:Linux:本机动手。只准备这条路线需要的工具;只读路线不安装运行环境、不配置模型密钥。
    练习:按文中四个环节复现:抓取多只股票数据 → 标签编码 → 定义带嵌入的图 → 训练并观察价格预测结果与嵌入聚类。
    课节(官方顺序):
    1. Predict Stock Prices Using RNN: Part 2:https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/
    
    1. 环境
    - Python 2/3(文中代码为 Python 2 风格,如 print >>、urllib2)
    - TensorFlow 1.x(含 tensorflow.contrib.tensorboard.plugins.projector)
    - scikit-learn
    - TensorBoard
    - 项目目录用于存放股票 CSV 与训练日志
    - 安装前先列出要装的软件和命令,等我同意;已装好的直接复用。
    2. 材料
    - 官方课程页面:只记录链接 https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/
    3. 目录(最外层放在我确认的位置)
    stock-rnn-embedding-tutorial/
    ├── README.md        # 课程入口、课节清单、每次怎么开始
    ├── progress.md      # 每课:读讲义 / 做练习 / 记笔记
    ├── questions.md     # 待解决的问题
    ├── check-env.sh     # 环境自检,按 README 操作
    ├── data/            # 练习用到的样例数据
    └── lessons/         # 每课一个文件夹:notes.md + exercises/
        └── 01-01-predict-stock-prices-using-rnn/
    - 每课文件夹里建 notes.md(顶部写本课官方链接)和 exercises/;课节文件夹名称与上面一致。
    - 已有课程目录先检查并复用;不覆盖笔记、作业或 progress.md,不重置已有进度。尚未发布的课节保留入口并注明未发布,不能代写讲义或虚构练习。
    4. 自检
    - 创建 check-env.sh,逐项检查并记录“通过/未通过”:
    - 在课程根目录运行;每项检查独立执行,进入子目录不能影响下一项。使用当前系统的终端运行。
      - python -c "import tensorflow as tf; print(tf.__version__)"  → 输出 1.x 版本号,且能 import tensorflow.contrib
      - 打开 TensorBoard(tensorboard --logdir=<日志目录>)并查看 Graphs 与 Projector 面板  → 能看到训练图结构,以及带 metadata 的嵌入可视化
    - 标注为人工检查、浏览器操作或 notebook 单元的项目,按相应方式操作,不直接粘贴进 shell;脚本只包含当前系统可执行的命令。
    - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项;需要登录、付费或尚未开放的材料记为“需要我操作/未验证”,不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
    - 运行一次,把结果给我看;未通过的项目说明原因和修复办法。
    5. 学习计划
    - README.md:课程入口、课节清单(带链接)、每次学习怎么开始(使用“每课提示词”)。
    - progress.md:每课三项勾选——读讲义、做练习、记笔记。
    6. 最后分三部分汇报:已完成、需要我自己操作的、尚未验证的。
    
    边界:
    - 需要管理员权限、会产生费用或需要填写密钥的操作,先告诉我原因,等我同意。密钥由我在本机配置,不发到聊天,不写进笔记或版本库;原项目需要 .env 时确认已被 Git 忽略。
    - 不替我写练习或作业答案,也不替我提交。我卡住时只给提示;我明确要求时才给解答。
    - 只下载许可允许个人保存的材料;其余只放链接。不把未运行的命令说成成功。
    如果你不能直接操作我的文件系统,请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
    搭好后的课程目录
    stock-rnn-embedding-tutorial/
    ├── README.md        # 课程入口、课节清单、每次怎么开始
    ├── progress.md      # 每课:读讲义 / 做练习 / 记笔记
    ├── questions.md     # 待解决的问题
    ├── check-env.sh     # 环境自检,按 README 操作
    ├── data/            # 练习用到的样例数据
    └── lessons/         # 每课一个文件夹:notes.md + exercises/
        └── 01-01-predict-stock-prices-using-rnn/
准备好了,开始学习

常见问题

免费吗?

免费:节选可直接读到完整教程正文与代码,未见付费墙或登录拦截。实践无额外费用:练习只需本地运行 TensorFlow 与下载公开股票数据,网页未提及付费云服务或 API。

需要什么基础?

需要了解 RNN/LSTM 基本原理、Python 基础,并熟悉该系列 Part 1 中的 TensorFlow 图、训练会话与基础代码结构。软件、账号与硬件:原站未说明额外要求;练习需本地安装 TensorFlow(文中使用较旧的 tf 1.x API 与 tensorflow.contrib)及 scikit-learn,并能访问公开股票历史数据源。

有中文吗?

本站记录的语言是en;是否有中文字幕或译本本站未核实,请以原站为准。

怎么开始?

从原始资源入口开始:https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/。本页“学前准备”列出环境与工具,“学习指南”给出开课提示词,可以在自己的电脑上按步骤开始。开课提示词尚未完整验证。练习与作业需要自备:能联网访问公开股票历史价格数据源(文中为 Google Finance 下载链接)。

来源与使用须知

收录时间
本站首次收录 2026-10-24
指南参考

版权与转载

  • 课程材料未标明许可:仅供个人学习,转载、修改或商用前请先联系原作者。
  • 本站只提供原始链接和学习指南,不转载、不镜像课程材料;引用时请注明原作者与出处。