主要分为几个部分：opencv入门+tensorflow入门、穿插numpy+matplotlib入门知识、最后来一个股票小案例
1.安装tensorflow1.10和opencv3.3.1：
安装tensorflow和opencv：
pip install --upgrade --ignore-installed tensorflow==1.10 -i https://pypi.douban.com/simple/ pip install python-opencv -i https://pypi.douban.com/simple/
测试安装是否成功：
#1.tensorflow测试
import tensorflow as tf
hello = tf.constant("hello tf")
sess = tf.Session()
print( sess.run(hello) )
#1.opencv测试
import cv2 as cv
print("hello opencv")
2.opencv入门：
#（一）opencv图片读取与展示
import cv2
#imread完成了什么？
#1.数据读取 2.封装格式解析 3.数据解码 4。数据加载
img = cv2.imread("image0.jpg", 1)#1.读取图片，后面1代表彩色图片，0代表灰度
cv2.imshow("image", img)#2.展示图片，第一个是窗体名称，第二个是数据
cv2.waitKey(0)#3.暂停展示
#（二）图片的写入
import cv2
img = cv2.imread("image0.jpg", 1)
cv2.imwrite(("image_demo.jpg"), img)#写入：1 name 2 data数据
#（三）图片的质量 jpg图片 有损压缩
import cv2
img = cv2.imread('image0.jpg', 1)
#图片质量在imwrite里[cv2.IMWRITE_JPEG_QUALITY, 0到100]
#压缩率在0%到100%(0-100)
#是有损压缩，压缩率越大，图片越好
cv2.imwrite('image_demo1.jpg', img, [cv2.IMWRITE_JPEG_QUALITY, 50])
#（四）图片的质量 png图片 无损压缩
import cv2
img = cv2.imread('image0.jpg', 1)
#png图片处理:cv2.IMWRITE_PNG_COMPRESSION使用压缩比COMPRESSION
#压缩比：范围0-9，越小，图片越好
cv2.imwrite('image_demo1.png', img, [cv2.IMWRITE_PNG_COMPRESSION, 0])
#（五）像素操作基础
#1.什么是像素：一个个像素点
#2.像素点由RGB3种颜色组成，RGB 3个颜色通道：R G B
#3.RGB3种颜色 颜色深度：8bit 0-255
#4.图片宽高：像素点个数
#5.图片大小计算：宽 x 高 x 3 x 8 bit -> 除8 -> B --> M
#6.png图片可能还有RGB alpha（透明度）
#7.除了RGB还可能是bgr格式（蓝，绿， 红）
#opencv读取格式：bgr格式
#（六）像素读取、写入
#像素读取写入：img[y轴, x轴]
import cv2
#1.读取data 2.像素读取 3.像素写入
img = cv2.imread("image0.jpg", 1)
(b, g, r) = img[100, 100]#读取100，100处像素点
print(b, g, r)
#绘制一条横的直线（326，325）->(326, 425)
for i in range(325, 426):
img[326, i] = (255, 0, 0)#一条蓝色的线
cv2.imshow('image', img)
cv2.waitKey(0)
3.tensorflow入门：
#（一）定义常量，变量
import tensorflow as tf
data1 = tf.constant(2.5, dtype=tf.float32)#定义常量(data, 类型)
data2 = tf.Variable(10, name="var")#定义变量(data, name)
print(data1)
print(data2)
'''
sess = tf.Session()
#变量必须初始化
init = tf.global_variables_initializer()#变量必须初始化
sess.run(init)#变量必须初始化再用session跑一下
print(sess.run(data1))
print(sess.run(data2))
sess.close()
#tensorflow本质 = tensor op 计算图
#1.tensor = 数据 = data1 、data2
#2.op = 操作符 +-×÷
#3.计算图 = 对于数据的操作
#session = 交互核心
'''
#代码优化
sess = tf.Session()
init = tf.global_variables_initializer()#变量初始化
with sess:
sess.run(init)
print(sess.run(data1))
print(sess.run(data2))
#（二）常量的四则运算
import tensorflow as tf
sess = tf.Session()
data1 = tf.constant(2)
data2 = tf.constant(6)
dataAdd = tf.add(data1, data2)#加
dataSub = tf.subtract(data1, data2)#减
dataMul = tf.multiply(data1, data2)#乘
dataDiv = tf.divide(data1, data2)#除
with sess:
print(sess.run(dataAdd))
print(sess.run(dataSub))
print(sess.run(dataMul))
print(sess.run(dataDiv))
print('end')
#（三）变量的四则运算
import tensorflow as tf
sess = tf.Session()
data1 = tf.constant(2)
data2 = tf.Variable(6)#变量
dataAdd = tf.add(data1, data2)#加
#追加dataAdd的结果放到data2中 = 将dataAdd值赋给data2
datacopy = tf.assign(data2, dataAdd)#追加：dataAdd->data2
dataSub = tf.subtract(data1, data2)#减
dataMul = tf.multiply(data1, data2)#乘
dataDiv = tf.divide(data1, data2)#除
#变量初始化
init = tf.global_variables_initializer()
with sess:
sess.run(init)#变量初始化
print(sess.run(dataAdd))
print(sess.run(dataSub))
print(sess.run(dataMul))
print(sess.run(dataDiv))
print('sess.run(datacopy)',sess.run(datacopy))#此时已完成：将8赋值 -> data2
print('datacopy.eval()',datacopy.eval())#datacopy.eval() = sess.run(datacopy)
#为10因为 datacopy = dataAdd = data1 + data2,此时data2 = 8,所以8+2 = 10
#同时这时候将10赋值 -> data2
print('tf.get_default_session().run(datacopy)',tf.get_default_session().run(datacopy))
#tf.get_default_session()获取默认session
#12 = 10+2
#同时这时候将12赋值 -> data2
print('这时data2=',sess.run(data2))
print('end')
#（四）tensorflow矩阵运算
#矩阵 == 数组 == N行N列
#[ [列数据] ]
#[ [6,6] ]一行两列
import tensorflow as tf
data1 = tf.constant([[6,6]])
data2 = tf.constant([[2],
[2]])
data3 = tf.constant([[3,3]])
data4 = tf.constant([[1,2],
[3,4],
[5,6]])
print(data4.shape)#矩阵维度shape
with tf.Session() as sess:
#行和列都是从0开始
print(sess.run(data4))#打印全部
print(sess.run(data4[0]))#打印某一行
print(sess.run(data4[:,0]))#打印某一列
print(sess.run(data4[0,0]))#打印某一行某一列
#（五）矩阵的加法和乘法
import tensorflow as tf
data1 = tf.constant([[6,6]])
data2 = tf.constant([[2],
[2]])
data3 = tf.constant([[3,3]])
data4 = tf.constant([[1,2],
[3,4],
[5,6]])
#区分普通乘法和矩阵乘法
matMul = tf.matmul(data1, data2)#矩阵乘法
matMul2 = tf.multiply(data1, data2)#普通乘法
matAdd = tf.add(data1, data3)#矩阵加法
with tf.Session() as sess:
print(sess.run(matMul))
print(sess.run(matAdd))
print(sess.run(matMul2))#普通乘法 1x2 2x1 = 2x2
print(sess.run([matMul, matMul2]))#一次打印多个值
print('end!')
#（六）定义空矩阵、单位矩阵、填充矩阵、随机矩阵
import tensorflow as tf
#方法1
mat0 = tf.constant([[0,0], [0,0]])#2x2 空矩阵
#方法2
mat00 = tf.zeros([2,2])#2x2 空矩阵
mat1 = tf.ones([2,2])#单位矩阵：全1
matt = tf.fill([2,2], 15)#用15去填充矩阵
matt2 = tf.zeros_like(matt)#与matt相同维度的全0矩阵
mat_line = tf.linspace(0.0, 2.0, 11)#将0到2之间数据分成相等10份
mat_random = tf.random_uniform([2,2], -1, 2)#-1到2之间，2x2随机矩阵
with tf.Session() as sess:
print(sess.run(mat0))
print(sess.run(mat00))
print(sess.run(mat1))
print(sess.run(matt))
print(sess.run(matt2))
print(sess.run(mat_line))
print(sess.run(mat_random))
print('end!')
4.numpy入门：
#使用numpy模块
import numpy as np
data1 = np.array([1,2,3,4,5])#1x5
print(data1)
data2 = np.array([[1,2],
[3,4]])
print(data2)
print(data2.shape)
data3 = np.zeros([2,2])#全0矩阵
data4 = np.ones([2,2])#全1矩阵
print(data3)
print(data4)
#矩阵的修改和查找
#行列都是从0开始
data2[1,1] = 5#修改最后一个元素
print(data2)
print(data2[1,1])
#矩阵基本运算
data5 = np.ones([2,2])
print(data5*2)#每个元素都乘一次
print(data5/2)#每个元素都除一次
#两个矩阵间运算
data6 = np.array([[1,2],
[3,4]])
print(data5+data6)#对应相加
print(data5*data6)#对应相乘
5.matplotlib入门：
#使用matplotlib模块：折线plot，饼状，柱状bar import matplotlib.pyplot as plt import numpy as np #折线图 x = np.array([1,2,3,4,5,6,7,8]) y = np.array([2,8,7,16,5,5,7,66]) plt.plot(x, y, 'b', lw=10)#1 x轴 2 y轴 3 color 4线宽度 plt.show() #柱状图 x = np.array([1,2,3,4,5,6,7,8]) y = np.array([2,8,7,16,5,5,7,66]) plt.bar(x, y, 0.9, alpha=1, color='g')#1 x轴 2 y轴 3 柱宽比例 4透明度 5颜色 plt.show()
6.人工智能股票小案例：
首先来了解一下什么是神经网络：分为输入层->隐藏层->输出层
股票小案例神经网络构成：
还是没搞清楚b1这里为啥是【1,10】而不是【15，10】，按道理说A*w1以后已经-->是一个15*10的矩阵了
整体就是通过不断梯度下降法求出最佳的：w1 w2 b1 b2
代码：
#0.导入模块
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
#1.数据准备＋绘图
date = np.linspace(1, 15, 15)#定义天数
#定义收盘价格
endPrice = np.array([2511.90,2538.26,2510.68,2591.66,2732.98,
2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08])
#定义开盘价格
beginPrice = np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,
2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])
print(date)
#绘图
plt.figure()
for i in range(0, 15):
#柱状图
dateOne = np.zeros([2])
dateOne[0] = i
dateOne[1] = i
priceOne = np.zeros([2])
priceOne[0] = beginPrice[i]
priceOne[1] = endPrice[i]
if endPrice[i] > beginPrice[i]:
plt.plot(dateOne, priceOne, 'r', lw=8)
#例如:相当于x轴都是第1天,y轴是[2438.71,2511.90]一个1×2矩阵
#x轴：[1, 1] y轴：[2438.71至2511.90]
else:
plt.plot(dateOne, priceOne, 'g', lw=8)
#2.人工神经网络：
# A(15x1)*w1(1x10)+b1(1*10) = B(15x10) (不懂b1这里为啥是【1,10】而不是【15，10】)
# B(15x10)*w2(10x1)+b2(15x1) = C(15x1)
#2.1输入层准备
date_t = np.zeros([15,1])
price_t = np.zeros([15,1])
for i in range(0, 15):
date_t[i,0] = i/14.0
price_t[i,0] = endPrice[i]/3000.0
x = tf.placeholder(tf.float32, [None,1])
y = tf.placeholder(tf.float32, [None,1])
#2.2隐藏层准备
w1 = tf.Variable(tf.random_uniform([1,10],0,1))
#还是没搞清楚b1这里为啥是【1,10】而不是【15，10】
b1 = tf.Variable(tf.zeros([1,10]))
wb1 = tf.matmul(x,w1)+b1
lay1 = tf.nn.relu(wb1)#激励函数
w2 = tf.Variable(tf.random_uniform([10,1],0,1))
b2 = tf.Variable(tf.zeros([15,1]))
wb2 = tf.matmul(lay1,w2)+b2
lay2 = tf.nn.relu(wb2)#激励函数
#输出层准备
loss = tf.reduce_mean(tf.square(y-lay2))#损失函数loss:真实结果-实验结果
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
#3代码测试
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(10000):
sess.run(train_step, feed_dict={x:date_t,y:price_t})
nowp = sess.run(lay2, feed_dict={x:date_t})
nowPrice = np.zeros([15,1])
for i in range(0,15):
nowPrice[i,0] = (nowp*3000)[i,0]
print(nowPrice)
plt.plot(date,nowPrice,'b',lw=2)
plt.show()
结果：
