使用Caicloud TaaS 平台落地深度学习算法实战

内容来源:2017年7月23日,才云科技联合创始人郑泽宇在“顶级阵容 | Kubernetes 二周年「北京7.22 - 上海7.23」Meetup”进行《使用Caicloud TaaS 平台落地深度学习算法实战》演讲分享。IT 大咖说(ID:itdakashuo)作为独家视频合作方,经主办方和讲者审阅授权发布。

阅读字数:1677 | 5分钟阅读

观看嘉宾完整演讲视频及PPT,请点击:http://t.cn/EU1t6ls

摘要

人工智能与深度学习已经成为一个众所周知的概念,然而如何将深度学习技术落地到具体的业务场景却是一个比较模糊的事情。在本次讲座中,我们将展示如何通过 Caicloud TensorFlow as a Service (TaaS) 公有云服务来实现循环神经网络,并将之运用于股票预测的全过程。

2012年始深度学习长足发展

通过我们与客户的交流,大家其实已经对深度学习这个概念越来越关注了。同时也发现了一个比较困难的问题,就是怎样将深度学习落地。这对于企业来说是一个最大的问题。

深度学习并不是一个新的概念,这个概念背后的技术其实在五六十年代已经出现了,而直到2012年才逐渐走入大众视野。

深度学习的优势

深度学习具有多层复杂特征的提取优势。当计算机看到的是一个个像素的时候,无法判断一个图片是什么。但如果能把不同的像素以一种自动的方式结合在一起,这样就能够帮助我们去解决在复杂场景下的多维特征,尤其是非结构数据场景。另一个则是大数据量的优势。

TensorFlow脱颖而出

使用深度学习一定要选择一个工具。99%的深度学习用户仅仅只是想使用深度学习,并不想了解其中的模型、算法等等,只想用深度学习来解决自己的问题。对于这样的人群,我认为TensorFlow就是一个非常合适的工具,它能够满足这样的需求。

如果要做自然语言处理,目前学术顶级的自然语言处理专家都在用Torch。自然语言处理非常重要的一个性质就是它的计算图是不稳定的,现在TensorFlow无法解决这个问题,Torch可能会是一个更好的选择。

对于不需要对深度学习进行深入研究的99%的用户来说,TensorFlow是一个通用的工具,在遇到问题的时候能更快地得到解答。

TensorFlow-as-a-Service (TaaS)

我们是一个专门做TensorFlow的公司,通过上图可以看到我们对于TensorFlow的封装做得更深一层,我们的目标全部是以TensorFlow机器学习的项目为核心。

循环神经网络

大部分人在使用神经网络的时候只会画最简单的神经网络,用那种神经网络构造出来的结构模型相对比较少。在做自然语言处理的时候,还是循环神经网络使用得比较多。

LSTM 结构

cell = rnn.BasicLSTMCell(

FLAGS.rnn_hidden_nodes,

state_is_tuple=True)

init_state = cell.zero_state(batch_size, dtype=tf.float32)

output_rnn, final_states =tf.nn.dynamic_rnn(

cell,

input_rnn,

initial_state=init_state,

dtype=tf.float32)

以上是原生态TensorFlow的一套代码,定义了每一个循环网络的结构是什么,然后把它定义为一个循环神经网络就可以了。

股价预测

上图中的数据都可以从Yahoo Finance下载到,从1993年到2017年的SPY股价数据。通过这样的数据,我们如何完成深度学习并预测股价,包括怎样来使用才云的TensorFlow Services。

https://github.com/caicloud/taas-examples这是我们的一个开源的代码库,把所有的TensorFlow  examples都放在这里面,希望大家可以一起来参与维护我们的这个代码库。

今天的分享就到这里,谢谢大家!

编者:IT大咖说,转载请标明版权和出处

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,511评论 1 330
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,495评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,595评论 0 225
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,558评论 0 190
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,715评论 3 270
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,672评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,112评论 2 291
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,837评论 0 181
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,417评论 0 228
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,928评论 2 232
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,316评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,773评论 2 234
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,253评论 3 220
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,827评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,440评论 0 180
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,523评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,583评论 2 249

推荐阅读更多精彩内容