# 数据输入输出

#A股股票过滤 (chinaa_stock_filter.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端股票数据input_data通用

股票数据

*必填
输入参数股票类别index_constituent_condchoice

股票类别

['全部']
上市板board_condchoice

上市板

['全部']
行业industry_condchoice

行业

全部
过滤STst_condchoice

过滤ST,ST股票

全部
输出剩余数据output_left_databool

输出剩余数据

False
输出端输出数据data通用

输出数据

剩余数据left_data通用

剩余数据

#股指数据获取 (index_futures.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入参数股指代码index_codechoice

股指代码

IF
开始日期start_datestr

开始日期,示例 2017-02-12,一般不需要指定

结束日期end_datestr

结束日期,示例 2017-02-12,一般不需要指定

k线周期periodchoice

k线周期

1T
输出端股指数据data通用

股指数据

#输入文本数据 (input_data_manually.v1)

手动输入文本数据

使用示例

类别显示名称名称类型描述必填/默认
输入参数文本数据textcode

文本数据

默认代码
输出端输出数据data通用

输出数据

#输入特征列表 (input_features.v1)

输入特征(因子)数据

使用示例

类别显示名称名称类型描述必填/默认
输入端特征输入features_ds通用

特征输入,通过输入端和参数方式输入的特征将做合并

None
输入参数特征数据featurescode

特征数据

默认代码
输出端输出数据data通用

输出数据

#代码列表 (instruments.v2)

获取指定市场和指定时间区间有效的代码列表

使用示例

类别显示名称名称类型描述必填/默认
输入端滚动训练参数rolling_conf通用

滚动训练参数,如果指定,将覆盖参数开始日期和结束日期

None
输入参数开始日期start_datestr

开始日期,示例 2017-01-01

结束日期end_datestr

结束日期,示例 2017-01-01

交易市场marketchoice

交易市场,见文档交易市场

CN_STOCK_A
代码列表instrument_listcode

代码列表,每行一个,如果指定,market参数将被忽略

默认代码
最大数量max_countint

最大数量,0表示没有限制,一般用于在小数据上测试和调试问题

0
输出端数据data通用

数据

#成交单csv数据读取 (order_record_input.v5)

成交单csv数据读取,读取后可以对成交单进行基本的收益风险分析和绩效评估.

使用示例

类别显示名称名称类型描述必填/默认
输入参数交易记录文件名trading_records_filenamestr

交易记录文件名

模板策略/股票/常用工具/.交割单模板.csv
成交日期列名date_colstr

成交日期列名

成交日期
证券代码列名instrument_colstr

证券代码列名

证券代码
买卖标志列名side_colstr

买卖标志列名

买卖标志
成交价格列名trade_price_colstr

成交价格列名

成交价格
成交数量列名trade_volume_colstr

成交数量列名

成交数量
输出端股票代码instruments_ds通用

股票代码

交易记录trading_records_ds通用

交易记录

#滚动运行配置 (rolling_conf.v1)

滚动运行配置。返回滚动列表,每个滚动包含开始日期和结束日期。

使用示例

类别显示名称名称类型描述必填/默认
输入参数开始日期start_datestr

开始日期

2010-01-01
结束日期end_datestr

结束日期

2015-12-31
更新周期rolling_update_daysint

更新周期,按自然日计算,每多少天更新一次

365
模拟实盘更新周期rolling_update_days_for_liveint

模拟实盘更新周期,按自然日计算,每多少天更新一次。如果需要在模拟实盘阶段使用不同的模型更新周期,可以设置这个参数

None
最小数据天数rolling_min_daysint

最小数据天数,按自然日计算,所以第一个滚动的结束日期是 从开始日期到开始日期+最小数据天数

730
最大数据天数rolling_max_daysint

最大数据天数,按自然日计算,0,表示没有限制,否则每一个滚动的开始日期=max(此滚动的结束日期-最大数据天数, 开始日期)

0
实盘滚动次数rolling_count_for_liveint

实盘滚动次数,模拟实盘模式下,取最后多少次滚动。一般在模拟实盘模式下,只用到最后一次滚动训练的模型,这里可以设置为1;如果你的滚动训练数据时间段很短,以至于期间可能没有训练数据,这里可以设置大一点。0表示没有限制

1
输出端滚动配置数据(DataSource pickle)data通用

滚动配置数据(DataSource pickle)

#市场策略池 (strategy_store_shared_data.v1)

获取开放共享的模拟实盘策略净值曲线数据

使用示例

类别显示名称名称类型描述必填/默认
输入参数开始日期start_datestr

开始日期,示例 2017-01-01

2018-01-01
结束日期end_datestr

结束日期,示例 2018-01-01

2018-10-01
策略id列表strategy_id_listcode

策略id列表,分享到策略商城/天梯的策略id,例如 265,每行一个id

默认代码
生成交易测试数据字段gen_trade_test_databool

生成交易测试数据字段,用策略净值生成OHLCVA数据,open=close=(1+cum_returns),high=close1.01,low=close0.99,volume=10^8,amount=10^8

True
输出端数据data通用

数据

用于交易测试的instrument数据instruments通用

用于交易测试的instrument数据

#数据源 (use_datasource.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端代码列表instruments通用

代码列表

None
特征列表features通用

特征列表

None
输入参数ID或别名datasource_idstr

ID或别名,示例 bar1d

*必填
开始日期start_datestr

开始日期

结束日期end_datestr

结束日期

输出端数据源data通用

数据源

# 数据处理

#添加指数数据 (add_index_data_to_trade_data.v1)

添加指数数据

使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_data通用

输入数据

*必填
输入参数指数证券代码instrumentsstr

指数证券代码,多个代码用英文逗号分隔

000905.HIX
输出端数据data通用

数据

用于回测交易的证券代码列表instruments通用

用于回测交易的证券代码列表

#数据合并 (concat.v3)

将输入的数据按行进行上下合并,比如df1、df2各自10行,合并后就是20行的一个数据

使用示例

类别显示名称名称类型描述必填/默认
输入端输入1input_data_1通用

输入1,DataSource第1个

None
输入2input_data_2通用

输入2,DataSource第2个

None
输入3input_data_3通用

输入3,DataSource第3个

None
输入参数输入列表input_data_listdoc

输入列表,DataSource列表

[]
输出端合并后的数据data通用

合并后的数据

#转换CSV为HDF (convert_csv_to_hdf.v1)

将CSV格式的数据源,转换为HDF格式。HDF是本平台推荐和默认使用的数据格式,其读写性能比CSV高一个数量级。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入CSV数据源input_ds通用

输入CSV数据源

*必填
输出端输出HDF数据源data通用

输出HDF数据源

#缺失数据处理 (dropnan.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据源input_data通用

输入数据源

*必填
输出端数据data通用

数据

#特征描述性分析 (feature_describe_analysis.v1)

标准化处理,也可称为归一化处理,属于数据处理常见的一种方式.

使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数因子列表columns_inputcode

因子列表

默认代码
输出端描述分析结果data通用

描述分析结果

#缺失数据填充 (fillnan.v1)

数据缺失处理,对所有列的NaN按平均值(mean),中位数(median)填充,也可指定值。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据源input_data通用

输入数据源

*必填
训练-特征features通用

训练-特征

None
输入参数填充值fill_valuestr

填充值,支持数值/mean/median,默认填充0.0

0.0
输出端数据data通用

数据

#数据过滤 (filter.v3)

使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_data通用

输入数据

*必填
输入参数过滤表达式exprstr

过滤表达式, 参考示例代码和DataFrame.query,包含特使字符的列名需要使用反单引号(`)引起来,例如 `close_10/close0` > 0.91

*必填
输出剩余数据output_left_databool

输出剩余数据

False
输出端输出数据data通用

输出数据

剩余数据left_data通用

剩余数据

#连接数据 (join.v3)

使用示例

类别显示名称名称类型描述必填/默认
输入端第一个输入数据data1通用

第一个输入数据

*必填
第二个输入数据data2通用

第二个输入数据

*必填
输入参数关联列onstr

关联列,多个列用英文逗号分隔

date,instrument
连接方式howchoice

连接方式

inner
对结果排序sortbool

对结果排序

False
输出端连接后的数据data通用

连接后的数据

#连接数据-4输入 (joinx.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端输入1data1通用

输入1

*必填
输入2data2通用

输入2

*必填
输入3data3通用

输入3

*必填
输入4data4通用

输入4

*必填
输入参数关联列onstr

关联列,多个列用英文逗号分隔

date,instrument
连接方式howchoice

连接方式

inner
对结果排序sortbool

对结果排序

False
输出端连接后的数据data通用

连接后的数据

#中性化处理 (neutralize.v13)

中性化处理.一般分为行业中性化和市值中性化,其目的是不能直接使用因子原始值进行建模,而是需要按行业或市值进行调整后才能用于建模。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入特征列表input_2通用

输入特征列表

None
输入参数是否同时市值中性化market_value_keybool

是否同时市值中性化

True
是否同时输出行业哑变量industry_output_keybool

是否同时输出行业哑变量

True
市值因子列名market_col_namestr

市值因子列名

market_cap_float_0
行业因子列名industry_sw_col_namestr

行业因子列名

industry_sw_level1_0
指定行业中性化的列columns_inputcode

指定行业中性化的列

默认代码
输出端标准化数据data通用

标准化数据

#排序 (sort.v4)

排序.

使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_ds通用

输入数据

*必填
排序特征sort_by_ds通用

排序特征

None
输入参数根据哪一列排序sort_bystr

根据哪一列排序

--
根据哪些列groupgroup_bystr

根据哪些列group,用逗号分隔

date
保留哪些列keep_columnsstr

保留哪些列

--
升序ascendingbool

升序

True
输出端排序后数据sorted_data通用

排序后数据

#标准化处理 (standardlize.v8)

标准化处理,也可称为归一化处理,属于数据处理常见的一种方式.

使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
因子列表input_2通用

因子列表

None
输入参数指定列columns_inputcode

指定列

默认代码
输出端标准化数据data通用

标准化数据

#股票池初选 (stockpool_select.v6)

根据行业、指数、ST、停牌等过滤条件获取初步股票池。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数自定义股票列表self_instrumentscode

自定义股票列表

默认代码
指定概念板块input_conceptscode

指定概念板块

默认代码
指定行业input_industryscode

指定行业

默认代码
指数范围input_indexscode

指数范围

默认代码
过滤ST股input_stchoice

过滤ST股

过滤
过滤停牌股input_suspendchoice

过滤停牌股

过滤
输出端输出数据data通用

输出数据

#去极值 (winsorize.v6)

去极值,属于常见的数据处理模块,将剔除偏离中位数5倍以上的数据.

使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_data通用

输入数据

*必填
因子列表features通用

因子列表

None
输入参数指定列columns_inputcode

指定列

默认代码
指定标准差倍数median_deviateint

指定标准差倍数

3
输出端去极值数据data通用

去极值数据

# 数据标注

#自动标注(股票) (advanced_auto_labeler.v2)

使用示例

类别显示名称名称类型描述必填/默认
输入端代码列表instruments通用

代码列表

*必填
输入参数标注表达式label_exprcode

标注表达式,可以使用多个表达式,顺序执行,从第二个开始,可以使用label字段。可用数据字段,添加benchmark_前缀,可使用对应的benchmark数据。可用操作符和函数见表达式引擎

默认代码
开始日期start_datestr

开始日期,示例 2017-02-12,一般不需要指定,使用 代码列表 里的开始日期

结束日期end_datestr

结束日期,示例 2017-02-12,一般不需要指定,使用 代码列表 里的结束日期

基准指数benchmarkstr

基准指数,如果给定,可以使用 benchmark_* 变量

000300.SHA
删除无标注数据drop_na_labelbool

删除无标注数据,是否删除没有标注的数据

True
将标注转换为整数cast_label_intbool

将标注转换为整数,一般用于分类学习

True
自定义表达式函数user_functionscode

自定义表达式函数,字典格式,例:{'user_rank':user_rank},字典的key是方法名称,字符串类型,字典的value是方法的引用,参考文档表达式引擎

默认代码
输出端标注数据data通用

标注数据

#自动标注(任意数据源) (auto_labeler_on_datasource.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端用来做标注的数据input_data通用

用来做标注的数据,一般是行情数据

*必填
输入参数标注表达式label_exprcode

标注表达式,可以使用多个表达式,顺序执行,从第二个开始,可以使用label字段。可用数据字段。可用操作符和函数见表达式引擎

默认代码
删除无标注数据drop_na_labelbool

删除无标注数据,是否删除没有标注的数据

True
将标注转换为整数cast_label_intbool

将标注转换为整数,一般用于分类学习

True
日期列名date_colstr

日期列名,标明日期列,如果在表达式中用到切面相关函数时,比如 rank,会用到此列名

date
证券代码列名instrument_colstr

证券代码列名,标明证券代码列,如果在表达式中用到时间序列相关函数时,比如 shift,会用到此列名

instrument
自定义表达式函数user_functionscode

自定义表达式函数,字典格式,例:{'user_rank':user_rank},字典的key是方法名称,字符串类型,字典的value是方法的引用,参考文档表达式引擎

默认代码
输出端标注数据data通用

标注数据

# 特征抽取

#衍生特征抽取 (derived_feature_extractor.v3)

使用示例

类别显示名称名称类型描述必填/默认
输入端输出数据input_data通用

输出数据,抽取后特征数据,包含用于构建衍生因子的基础因子数据,一般来自基础特征抽取或者衍生特征抽取模块

*必填
特征列表features通用

特征列表,需要抽取的衍生特征,由表达式构建。可用数据字段来自输入的data,可用操作符和函数见表达式引擎

*必填
输入参数日期列名date_colstr

日期列名,如果在表达式中用到切面相关函数时,比如 rank,会用到此列名

date
代码列名instrument_colstr

代码列名,如果在表达式中用到时间序列相关函数时,比如 shift,会用到此列名

instrument
删除na数据drop_nabool

删除na数据,删除存在空数据(NA)的行

False
删除多余的列remove_extra_columnsbool

删除多余的列,删除不在输入特征、日期和代码的列

False
自定义表达式函数user_functionscode

自定义表达式函数,字典格式,例:{'user_rank':user_rank},字典的key是方法名称,字符串类型,字典的value是方法的引用,参考文档表达式引擎

默认代码
输出端输出数据data通用

输出数据,抽取后特征数据

#基础特征抽取 (general_feature_extractor.v7)

使用示例

类别显示名称名称类型描述必填/默认
输入端代码列表instruments通用

代码列表

*必填
特征列表features通用

特征列表

*必填
输入参数开始日期start_datestr

开始日期,示例 2017-02-12,一般不需要指定,使用 代码列表 里的开始日期

结束日期end_datestr

结束日期,示例 2017-02-12,一般不需要指定,使用 代码列表 里的结束日期

向前取数据天数before_start_daysfloat

向前取数据天数,比如,用户通过表达式计算的衍生特征,可能需要用到开始日期之前的数据,可以通过设置此值实现,则数据将从 开始日期-向前取数据天数 开始取。考虑到节假日等,建议将此值得大一些

90
输出端基础特征数据data通用

基础特征数据

#基础特征抽取 (general_feature_extractor_vx1.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端证券代码列表instruments通用

证券代码列表

*必填
特征列表features通用

特征列表

*必填
输入参数开始日期start_datestr

开始日期,示例 2017-02-12,一般不需要指定,使用 证券代码列表 里的开始日期

结束日期end_datestr

结束日期,示例 2017-02-12,一般不需要指定,使用 证券代码列表 里的结束日期

向前取数据天数before_start_daysfloat

向前取数据天数,比如,用户通过表达式计算的衍生特征,可能需要用到开始日期之前的数据,可以通过设置此值实现,则数据将从 开始日期-向前取数据天数 开始取。考虑到节假日等,建议将此值得大一些

90
输出端基础特征数据data通用

基础特征数据

# 机器学习

# 分类

#自适应提升树-分类 (adaboost_classifier.v1)

adaboost自适应提升树算法,用于分类,此算法基于boosting,根据上次分类的准确率确定下次训练每个样本的权值,将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器融合,作为最后的决策分类器。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数弱学习器个数n_estimatorsint

弱学习器个数,弱学习器最大迭代次数,太小容易欠拟合,太大容易过拟合,默认为50

50
分类算法algorithmchoice

分类算法,SAMME.R使用了对样本集分类的预测概率大小来作为弱学习器权重,迭代一般比SAMME快

SAMME.R
学习率learning_ratefloat

学习率,该值缩减每个弱学习器的权重,通常较小的系数需要更多的迭代,因此n_estimators和learning_rate要一起调参

1.0
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列名用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#Bagging-分类 (bagging_classifier.v1)

Bagging有放回随机抽样算法,用于分类,有放回随机抽取小样本,训练弱学习器,采取多数投票机制获得最终分类结果。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数弱学习器个数n_estimatorsint

弱学习器个数,基准估计器个数,默认为10

10
随机子集比重subsamplefloat

随机子集比重,训练基准估计器使用该随机子集

1.0
特征使用率feature_fractionfloat

特征使用率,寻找最佳分割时要考虑的特征比率,float类型,默认考虑所有特征数,即取值1.0

1.0
数据有放回抽样bootstrapbool

数据有放回抽样,是否有放回采样,默认为True

True
特征有放回抽样bootstrap_featuresbool

特征有放回抽样,是否对特征有放回采样,默认为False

False
采用袋外样本来评估误差oob_scorebool

采用袋外样本来评估误差,是否使用袋外样本估计泛化误差,默认为False,评估结果保存在oob_score_

False
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#决策树-分类 (decision_tree_classifier.v1)

决策树算法,用于分类,决策树从根节点开始,测试待分类项中相应的特征属性,并按照其值选择输出分支,直到到达叶子节点,将叶子节点存放的类别作为决策结果。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数决定分割的标准criterionchoice

决定分割的标准,支持基尼不纯度gini和熵不纯度entropy,默认是gini

gini
特征使用率feature_fractionfloat

特征使用率,寻找最佳分割时要考虑的特征比率

1
树的最大深度max_depthint

树的最大深度,限制每棵树的最大深度,数值大拟合能力强,数值小泛化能力强。设置为0则不限制

30
每叶节点最小样本数min_samples_per_leafint

每叶节点最小样本数,每个叶节点最少需要的样本数量,一般值越大,泛化性性越好

200
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#极端随机森林-分类 (extra_trees_classifier.v1)

对于随机森林的优化。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数决定分割的标准criterionchoice

决定分割的标准,支持基尼不纯度gini和熵不纯度entropy,默认是gini

gini
树的数量iterationsint

树的数量,数量越大,则模型越复杂,学习能力越强,更有可能过拟合,需要更多的计算资源

10
特征使用率feature_fractionfloat

特征使用率:寻找最佳分割时要考虑的特征比率

1
树的最大深度max_depthint

树的最大深度,限制每棵树的最大深度,数值大拟合能力强,数值小泛化能力强。设置为0则不限制

30
每叶节点最小样本数min_samples_per_leafint

每叶节点最小样本数:每个叶节点最少需要的样本数量,一般值越大,泛化性性越好

200
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#梯度提升树-分类 (gradient_boosting_classifier.v1)

梯度提升树-分类。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定特征输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数损失函数losschoice

损失函数,对于分类模型,有对数似然损失函数deviance和指数损失函数exponential

deviance
学习率learning_ratefloat

学习率,这个参数决定着每一个决策树对于最终结果的影响。GBM设定了初始的权重值之后,每一次树分类都会更新这个值,较小的值使得模型对不同的树更加稳健

0.1
树的数量iterationsint

树的数量,数量越大,则模型越复杂,学习能力越强,更有可能过拟合,需要更多的计算资源

10
训练每个决策树所用到的子样本占总样本的比例subsamplefloat

训练每个决策树所用到的子样本占总样本的比例,稍小于1的值能够使模型更稳健,因为这样减少了方差

1.0
树中终点节点所需要的最少的样本数min_samples_per_leafint

树中终点节点所需要的最少的样本数,也可以用来防止过度拟合

1
树的最大深度max_depthint

树的最大深度,限制每棵树的最大深度,数值大拟合能力强,数值小泛化能力强

3
特征使用率feature_fractionfloat

特征使用率,寻找最佳分割时要考虑的特征比率,float类型,默认考虑所有特征数,即取值1.0

1.0
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#k近邻-分类 (kneighbors_classifier.v1)

用于分类

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数近邻数n_neighborsint

近邻数,int类型,可选参数,默认值为5

5
K近邻权重类型weightschoice

K近邻权重类型,用于预测。默认值为uniform

uniform
计算分类使用的算法algorithmchoice

计算分类使用的算法,可选参数,ball_tree为算法BallTree,kd_tree为KDTree,brute使用暴力搜索,auto基于传入内容使用合适算法。默认值为auto

auto
BallTree或者KDTree算法的叶子数量leaf_sizeint

BallTree或者KDTree算法的叶子数量,int类型,可选参数,此参数会影响构建、查询BallTree或者KDTree的速度,以及存储BallTree或KDTree所需要的内存大小。默认值30

30
距离度量metricchoice

距离度量,默认为minkowski,也称欧式距离

minkowski
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#线性随机梯度下降-分类 (linear_sgd_classifier.v1)

线性随机梯度下降算法,用于分类。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数损失函数losschoice

损失函数

log
正则类型penaltychoice

正则类型

l2
L2 惩罚项(正则项) 参数alphafloat

L2 惩罚项(正则项) 参数

0.0001
最大迭代次数max_iterint

最大迭代次数

5
是否先随机打乱shufflebool

是否先随机打乱

True
初始学习率eta0float

初始学习率

0.1
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#线性-分类 (logistic_regression.v1)

逻辑斯蒂回归。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数指定惩罚项中使用的规范penaltychoice

指定惩罚项中使用的规范

l2
对偶或原始方法dualbool

对偶或原始方法,bool类型,默认为False。对偶方法只用在求解线性多核(liblinear)的L2惩罚项上。当样本数量>样本特征的时候,dual通常设置为False

False
是否存在截距或偏差fit_interceptbool

是否存在截距或偏差,默认为True

True
停止求解的标准tolfloat

停止求解的标准

0.0001
正则化系数λ的倒数Cfloat

正则化系数λ的倒数

1.0
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#多层感知器-分类 (mlp_classifier.v1)

用于分类的机器学习算法。多层感知器(Multilayer Perceptron,缩写MLP)是一种前向结构的人工神经网络,映射一组输入向量到一组输出向量。可用于线性不可分数据。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数输入该隐藏层的神经元个数hidden_layer_sizesstr

输入该隐藏层的神经元个数,用英文逗号(,)分隔的整数元组,例如 100,100,表示有两层隐藏层,第一层隐藏层有100个神经元,第二层也有100个神经元

100
隐藏层的激活函数类型activationchoice

隐藏层的激活函数类型

relu
优化器solverchoice

优化器,用于优化权重,默认为adam

adam
L2 惩罚项(正则项) 参数alphafloat

L2 惩罚项(正则项) 参数

0.0001
随机优化算法的批量大小batch_sizeint

随机优化算法的批量大小,如果优化器是 ‘lbfgs’, 将不会生效

200
学习率的初始默认值learning_rate_initfloat

学习率的初始默认值,当且仅当优化策略是SGD或者ADAM时,才有意义。本参数控制着更新权重时的步长

0.001
最大可迭代次数max_iterint

最大可迭代次数,优化器直至收敛(视最小容忍度而定)或者到达最大迭代次数时,算法停止

200
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#随机森林-分类 (random_forest_classifier.v1)

随机森林算法,可以用做分类和回归类的训练。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数树的数量iterationsint

树的数量,数量越大,则模型越复杂,学习能力越强,更有可能过拟合,需要更多的计算资源

10
特征使用率feature_fractionfloat

特征使用率:寻找最佳分割时要考虑的特征比率

1.0
树的最大深度max_depthint

树的最大深度,限制每棵树的最大深度,数值大拟合能力强,数值小泛化能力强。设置为0则不限制

30
每叶节点最小样本数min_samples_per_leafint

每叶节点最小样本数:每个叶节点最少需要的样本数量,一般值越大,泛化性性越好

200
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#支持向量机-分类 (svc.v1)

支持向量分类。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定特征输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数C-SVC惩罚系数Cfloat

C-SVC惩罚系数,即对误差的宽容度,C越高,说明越不能容忍出现误差,容易过拟合。C越小,容易欠拟合。C过大或过小,泛化能力变差

1.0
核函数类型kernelchoice

核函数类型

rbf
多项式poly函数的维度degreeint

多项式poly函数的维度,默认是3,选择其他核函数时会被忽略

3
核函数参数gammagammafloat

核函数参数gamma,gamma是选择RBF函数作为kernel后,该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布,gamma越大,支持向量越少,gamma值越小,支持向量越多。支持向量的个数影响训练与预测的速度,-1表示默认值为1/n_features

-1
核函数的常数项coef0float

核函数的常数项,对于poly和 sigmoid有用

0.0
停止训练的误差值大小tolfloat

停止训练的误差值大小,默认为1e-3

0.001
最大迭代次数max_iterint

最大迭代次数,-1为无限制

-1
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

# 回归

#自适应提升树-回归 (adaboost_regressor.v1)

adaboost自适应提升树算法,用于回归,此算法基于boosting,根据上次回归的效果确定下次训练每个样本的权值,将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的弱学习器融合,作为最后的回归模型。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数弱学习器个数n_estimatorsint

弱学习器个数,弱学习器最大迭代次数,太小容易欠拟合,太大容易过拟合,默认为50

50
学习率learning_ratefloat

学习率,该值缩减每个弱学习器的权重,通常较小的系数需要更多的迭代,因此n_estimators和learning_rate要一起调参

1.0
损失函数losschoice

损失函数,每次增强迭代后更新权重时使用的损失函数,默认为线性

linear
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#Bagging-回归 (bagging_regressor.v1)

Bagging有放回随机抽样算法,用于回归,有放回随机抽取小样本,训练弱学习器,通过平均获得最终回归结果。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数弱学习器个数n_estimatorsint

弱学习器个数,基准估计器个数,默认为10

10
随机子集比重subsamplefloat

随机子集比重,训练基准估计器使用该随机子集

1.0
特征使用率feature_fractionfloat

特征使用率,寻找最佳分割时要考虑的特征比率,float类型,默认考虑所有特征数,即取值1.0

1.0
数据有放回抽样bootstrapbool

数据有放回抽样,是否有放回采样,默认为True

True
特征有放回抽样bootstrap_featuresbool

特征有放回抽样,是否对特征有放回采样,默认为False

False
采用袋外样本来评估误差oob_scorebool

采用袋外样本来评估误差,是否使用袋外样本估计泛化误差,默认为False,评估结果保存在oob_score_

False
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#决策树-回归 (decision_tree_regressor.v1)

决策树算法,用于回归,回归树遍历所有特征对空间进行划分,直到取到某个特征的某个值使损失函数最小,从而得到划分点。回归结果为子空间内的样本平均数。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数决定分割的标准criterionchoice

决定分割的标准,支持均方误差mse,平均绝对误差mae及弗里德曼改进均方误差friedman_mse。默认是mse

mse
特征使用率feature_fractionfloat

特征使用率:寻找最佳分割时要考虑的特征比率

1
树的最大深度max_depthint

树的最大深度,限制每棵树的最大深度,数值大拟合能力强,数值小泛化能力强。设置为0则不限制

30
每叶节点最小样本数min_samples_per_leafint

每叶节点最小样本数:每个叶节点最少需要的样本数量,一般值越大,泛化性性越好

200
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#极端随机森林-回归 (extra_trees_regressor.v1)

对于随机森林的优化。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数决定分割的标准criterionchoice

决定分割的标准,支持均方误差mse和平均绝对误差mae。默认是mse

mse
树的数量iterationsint

树的数量,数量越大,则模型越复杂,学习能力越强,更有可能过拟合,需要更多的计算资源

10
特征使用率feature_fractionfloat

特征使用率:寻找最佳分割时要考虑的特征比率

1
树的最大深度max_depthint

树的最大深度,限制每棵树的最大深度,数值大拟合能力强,数值小泛化能力强。设置为0则不限制

30
每叶节点最小样本数min_samples_per_leafint

每叶节点最小样本数:每个叶节点最少需要的样本数量,一般值越大,泛化性性越好

200
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#梯度提升树-回归 (gradient_boosting_regressor.v1)

梯度提升树-回归。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数损失函数losschoice

损失函数,对于分类模型,有对数似然损失函数deviance和指数损失函数exponential

ls
学习率learning_ratefloat

学习率,这个参数决定着每一个决策树对于最终结果的影响。GBM设定了初始的权重值之后,每一次树分类都会更新这个值,较小的值使得模型对不同的树更加稳健

0.1
树的数量iterationsint

树的数量,数量越大,则模型越复杂,学习能力越强,更有可能过拟合,需要更多的计算资源

10
训练每个决策树所用到的子样本占总样本的比例subsamplefloat

训练每个决策树所用到的子样本占总样本的比例,稍小于1的值能够使模型更稳健,因为这样减少了方差

1.0
叶子节点最小样本数min_samples_per_leafint

叶子节点最小样本数,int类型

1
树的最大深度max_depthint

树的最大深度,限制每棵树的最大深度,数值大拟合能力强,数值小泛化能力强

3
特征使用率feature_fractionfloat

特征使用率,寻找最佳分割时要考虑的特征比率,float类型,默认考虑所有特征数,即取值1.0

1.0
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#k近邻-回归 (kneighbors_regressor.v1)

用于回归

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数近邻数n_neighborsint

近邻数,int类型,可选参数,默认值为5

5
K近邻权重类型weightschoice

K近邻权重类型,用于预测。默认值为uniform

uniform
计算分类使用的算法algorithmchoice

计算分类使用的算法,可选参数,ball_tree为算法BallTree,kd_tree为KDTree,brute使用暴力搜索,auto基于传入内容使用合适算法。默认值为auto

auto
BallTree或者KDTree算法的叶子数量leaf_sizeint

BallTree或者KDTree算法的叶子数量,int类型,可选参数,此参数会影响构建、查询BallTree或者KDTree的速度,以及存储BallTree或KDTree所需要的内存大小。默认值30

30
距离度量metricchoice

距离度量,默认为minkowski,也称欧式距离

minkowski
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#线性-回归 (linear_regression.v1)

线性回归模型。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数是否计算该模型的截距fit_interceptbool

是否计算该模型的截距

True
回归X是否被规范化normalizebool

回归X是否被规范化,如果为True,回归X被规范化

False
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#线性随机梯度下降-回归 (linear_sgd_regressor.v1)

线性随机梯度下降算法,用于回归。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数损失函数losschoice

损失函数

huber
正则类型penaltychoice

正则类型

l2
L2 惩罚项(正则项) 参数alphafloat

L2 惩罚项(正则项) 参数

0.0001
最大迭代次数max_iterint

最大迭代次数

5
是否先随机打乱shufflebool

是否先随机打乱

True
初始学习率eta0float

初始学习率

0.1
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#多层感知器-回归 (mlp_regressor.v1)

用于回归的机器学习算法。多层感知器(Multilayer Perceptron,缩写MLP)是一种前向结构的人工神经网络,映射一组输入向量到一组输出向量。可用于线性不可分数据。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数输入该隐藏层的神经元个数hidden_layer_sizesstr

输入该隐藏层的神经元个数,用英文逗号(,)分隔的整数元组,例如 100,100,表示有两层隐藏层,第一层隐藏层有100个神经元,第二层也有100个神经元

100
隐藏层的激活函数类型activationchoice

隐藏层的激活函数类型

relu
优化器solverchoice

优化器,用于优化权重,默认为adam

adam
L2 惩罚项(正则项) 参数alphafloat

L2 惩罚项(正则项) 参数

0.0001
随机优化算法的批量大小batch_sizeint

随机优化算法的批量大小,如果优化器是 ‘lbfgs’, 将不会生效

200
学习率的初始默认值learning_rate_initfloat

学习率的初始默认值,当且仅当优化策略是SGD或者ADAM时,才有意义。本参数控制着更新权重时的步长

0.001
最大可迭代次数max_iterint

最大可迭代次数,优化器直至收敛(视最小容忍度而定)或者到达最大迭代次数时,算法停止

200
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果, 如果predict_ds为None, predictions也为None

#随机森林-回归 (random_forest_regressor.v1)

随机森林算法,可以用做分类和回归类的训练。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数树的数量iterationsint

树的数量,数量越大,则模型越复杂,学习能力越强,更有可能过拟合,需要更多的计算资源

10
特征使用率feature_fractionfloat

特征使用率:寻找最佳分割时要考虑的特征比率

1
树的最大深度max_depthint

树的最大深度,限制每棵树的最大深度,数值大拟合能力强,数值小泛化能力强。设置为0则不限制

30
每叶节点最小样本数min_samples_per_leafint

每叶节点最小样本数:每个叶节点最少需要的样本数量,一般值越大,泛化性性越好

200
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#支持向量机-回归 (svr.v1)

支持向量回归。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数惩罚参数Cfloat

惩罚参数,默认值1.0

1.0
核函数kernelchoice

核函数

rbf
多项式poly函数的维度degreeint

多项式poly函数的维度,int类型,默认是3,使用其他核函数时会被忽略

3
核函数系数gammafloat

核函数系数,rbf/poly/sigmoid的系数,float类型,默认为1/n_features

-1
核函数的常数项coef0float

核函数的常数项,float类型,对于poly和sigmoid有用

0.0
停止训练的误差值大小tolfloat

停止训练的误差值大小,float类型

0.001
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

# 排序

#StockRanker (stock_ranker.v2)

StockRanker训练和预测,该模块将训练和预测整合到一起,返回模型和预测结果。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练-数据(如果传入则需要指定模型输入)training_ds通用

训练-数据(如果传入则需要指定模型输入)

None
训练-特征features通用

训练-特征

None
训练-基础模型(可以在此模型上做继续训练(continue train))base_model通用

训练-基础模型(可以在此模型上做继续训练(continue train))

None
训练-测试数据集test_ds通用

训练-测试数据集,可用于在训练阶段查看训练效果,来做模型参数和特征等的调优;通过配置early stop参数可以让训练提前终止

None
预测-模型input_model通用

预测-模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测-数据predict_ds通用

预测-数据,如果不设置,则不做预测

None
输入参数学习算法learning_algorithmchoice

学习算法,机器学习优化算法

排序
叶节点数量number_of_leavesint

叶节点数量:每棵树最大叶节点数量。一般情况下,叶子节点越多,则模型越复杂,表达能力越强,过拟合的可能性也越高

30
每叶节点最小样本数minimum_docs_per_leafint

每叶节点最小样本数:每个叶节点最少需要的样本数量,一般值越大,泛化性性越好

1000
树的数量number_of_treesint

树的数量,一般情况下,树越多,则模型越复杂,表达能力越强,过拟合的可能性也越高

20
学习率learning_ratefloat

学习率,学习率如果太大,可能会使结果越过最优值,如果太小学习会很慢

0.1
特征值离散化数量max_binsint

特征值离散化数量:一般情况下,max_bins越大,则学的越细,过拟合的可能性也越高

1023
特征使用率feature_fractionfloat

特征使用率,在构建每一颗树时,每个特征被使用的概率,如果为1,则每棵树都会使用所有特征

1
压缩数据列slim_databool

压缩数据列,移除不需要使用的列。一般设置为True

True
滚动运行参数rolling_inputdoc

滚动运行参数,接收来自滚动运行的输入,用于训练数据过滤

None
输出端训练出来的模型model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#StockRanker模型组合 (stock_ranker_combine.v2)

使用示例

类别显示名称名称类型描述必填/默认
输入端基础模型base_model_id通用

基础模型

*必填
继续训练的模型combine_model_id通用

继续训练的模型

*必填
输入参数条件表达式combine_conditionstr

条件表达式

*必填
输出端模型model_id通用

模型

#StockRanker预测 (stock_ranker_predict.v5)

使用示例

类别显示名称名称类型描述必填/默认
输入端模型model通用

模型

*必填
数据data通用

数据

*必填
输出端预测结果predictions通用

预测结果

延迟运行m_lazy_run通用

延迟运行,将当前模块打包,可以作为其他模块的输入,在其他模块里运行。启用需要勾选模块的 延迟运行 参数。

#StockRanker预测(GBDT) (stock_ranker_predict_gbdt.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端模型model通用

模型

*必填
数据data通用

数据

*必填
输出端预测结果predictions通用

预测结果

延迟运行m_lazy_run通用

延迟运行,将当前模块打包,可以作为其他模块的输入,在其他模块里运行。启用需要勾选模块的 延迟运行 参数。

#StockRanker训练 (stock_ranker_train.v5)

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,需要包含所有用到的特征数据,包括基础特征和衍生特征

*必填
特征列表features通用

特征列表

*必填
测试数据集test_ds通用

测试数据集,可用于在训练阶段查看训练效果,来做模型参数和特征等的调优;通过配置early stop参数可以让训练提前终止

None
基础模型base_model通用

基础模型,可以在此模型上继续训练

None
输入参数学习算法learning_algorithmchoice

学习算法,机器学习优化算法

排序
叶节点数量number_of_leavesint

叶节点数量:每棵树最大叶节点数量。一般情况下,叶子节点越多,则模型越复杂,表达能力越强,过拟合的可能性也越高

30
每叶节点最小样本数minimum_docs_per_leafint

每叶节点最小样本数:每个叶节点最少需要的样本数量,一般值越大,泛化性性越好

1000
树的数量number_of_treesint

树的数量:一般情况下,树越多,则模型越复杂,表达能力越强,过拟合的可能性也越高

20
学习率learning_ratefloat

学习率:学习率如果太大,可能会使结果越过最优值,如果太小学习会很慢

0.1
特征值离散化数量max_binsint

特征值离散化数量:一般情况下,max_bins越大,则学的越细,过拟合的可能性也越高

1023
特征使用率feature_fractionfloat

特征使用率:在构建每一颗树时,每个特征被使用的概率,如果为1,则每棵树都会使用所有特征

1
滚动运行参数rolling_inputdoc

滚动运行参数,接收来自滚动运行的输入,用于训练数据过滤

None
输出端模型model通用

模型

特征贡献feature_gains通用

特征贡献

延迟运行m_lazy_run通用

延迟运行,将当前模块打包,可以作为其他模块的输入,在其他模块里运行。启用需要勾选模块的 延迟运行 参数。

#StockRanker训练(GBDT) (stock_ranker_train_gbdt.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,需要包含所有用到的特征数据,包括基础特征和衍生特征

*必填
特征列表features通用

特征列表

*必填
输入参数学习算法learning_algorithmchoice

学习算法,机器学习优化算法

排序
叶节点数量number_of_leavesint

叶节点数量:每棵树最大叶节点数量。一般情况下,叶子节点越多,则模型越复杂,表达能力越强,过拟合的可能性也越高

30
每叶节点最小样本数minimum_docs_per_leafint

每叶节点最小样本数:每个叶节点最少需要的样本数量,一般值越大,泛化性性越好

30
树的数量number_of_treesint

树的数量:一般情况下,树越多,则模型越复杂,表达能力越强,过拟合的可能性也越高

100
学习率learning_ratefloat

学习率:学习率如果太大,可能会使结果越过最优值,如果太小学习会很慢

0.1
特征值离散化数量max_binsint

特征值离散化数量:一般情况下,max_bins越大,则学的越细,过拟合的可能性也越高

256
滚动运行参数rolling_inputdoc

滚动运行参数,接收来自滚动运行的输入,用于训练数据过滤

None
输出端模型model通用

模型

特征贡献feature_gains通用

特征贡献

延迟运行m_lazy_run通用

延迟运行,将当前模块打包,可以作为其他模块的输入,在其他模块里运行。启用需要勾选模块的 延迟运行 参数。

# 聚类

#近邻传播-聚类 (cluster_affinity_propagation.v1)

近邻传播算法,用于聚类,此算法为半监督,首先通过消息传递机制来搜索网络中各个数据点的聚类中心以及数据点与数据中心之间的隶属关系,然后根据数据中心和顶点之间的隶属关系来对待聚类数据集进行划分,形成若干个具有特定意义的子集。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数阻尼系数dampingfloat

阻尼系数,取值在0.5到1之间,减少算法迭代产生震荡

0.5
最大迭代次数iterationsint

最大迭代次数,默认为200

200
算法收敛迭代次数convergence_iterint

算法收敛迭代次数,直到分类数没有变化时算法的迭代次数,默认为15

15
复制输入数据copybool

复制输入数据,是否复制输入数据,默认为True

True
距离度量方法affinitychoice

距离度量方法,距离度量,目前支持precomputed和euclidean

euclidean
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

训练数据集transform_trainds通用

训练数据集,聚类训练结果为列label

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#层次-聚类 (cluster_agglomerative.v1)

层次算法,用于聚类,通过计算不同类别的相似度类创建一个有层次的嵌套的树。在聚类树中,先找出和每个点最近似的点两两聚类,然后反复迭代这一过程,直到聚类完成。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数分类簇数量n_clustersint

分类簇数量,默认为2

2
距离度量方法affinitychoice

距离度量方法,度量的方法,包括cosine,manhattan,euclidean等

euclidean
连接算法linkagechoice

连接算法,如果使用ward,则距离度量只能使用euclidean

ward
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

训练数据集transform_trainds通用

训练数据集,聚类训练结果为列label

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#Birch-聚类 (cluster_birch.v1)

Birch算法,用于聚类,作为一种层次聚类算法,BIRCH只需要单遍扫描数据集就能进行聚类。

其他参数:n_clusters:分类簇的数量,在类别数特别多,没有先验知识的情况下,n_clusters可用None,即直接读取叶子结点中的子聚类。默认为3

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数输出时表示类别compute_labelsbool

输出时表示类别,是否标示类别输出,默认为True

True
簇半径阈值thresholdfloat

簇半径阈值,限制新加入的样本和存在与现有子集群中样本的最大距离,默认为0.5

0.5
分支因子branching_factorint

分支因子,限制一个节点中的子集群的数量,默认是50

50
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

训练数据集transform_trainds通用

训练数据集,聚类训练结果为列label

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#DBSCAN-聚类 (cluster_dbscan.v1)

DBSCAN算法,用于聚类,

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数邻域的距离阈值epsfloat

邻域的距离阈值,两样本间最大距离

0.5
最小样本数min_samplesint

最小样本数,核心点邻域中最小样本数,包括点本身

5
k-means算法调节algorithmchoice

k-means算法调节,支持蛮力实现、KD树实现、球树实现,默认为自动选取最优

auto
关键列的数据会复制到预测结果里key_colsstr

关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

训练数据集transform_trainds通用

训练数据集,聚类训练结果为列label

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#K均值-聚类 (cluster_kmeans.v1)

K-means算法,用于聚类,先随机初始化各自的中心点,然后计算每个数据点到中心点的距离,将数据点划分到最近的中心点类别。然后用每一类的中心点作为新的中心点,重复迭代,直到迭代后变化不大为止。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数簇的个数n_clustersint

簇的个数,聚类中心数量,默认为8

8
质心初始化方法initchoice

质心初始化方法,默认为k-means++

k-means++
质心初始化次数n_initint

质心初始化次数,初始化质心的次数,默认为10

10
最大迭代次数iterationsint

最大迭代次数,迭代得到最终质心的次数

300
K-Means算法algorithmchoice

K-Means算法,auto选择elkan表示密集数据,full表示稀疏数据

auto
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

训练数据集transform_trainds通用

训练数据集,聚类训练结果为列label

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#谱-聚类 (cluster_spectral.v1)

用于聚类,将图论应用于聚类。把所有的数据看做空间中的点,这些点之间可以用边连接起来。距离较远的两个点之间的边权重值较低,而距离较近的两个点之间的边权重值较高,通过对所有数据点组成的图进行切图,让切图后不同的子图间边权重和尽可能的低,而子图内的边权重和尽可能的高,从而达到聚类的目的。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要指定模型输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数分类簇的数量n_clustersint

分类簇的数量,切图时降到的维数

3
相似矩阵的建立方式affinitychoice

相似矩阵的建立方式,为nearest_neighbors时忽略参数gamma,默认为rbf

rbf
近邻个数n_neighborsint

近邻个数,KNN算法的K的个数,默认是10,affinity为nearest_neighbors忽略此参数

10
特征值分解策略eigen_solverchoice

特征值分解策略,amg存在稳定性问题,平台暂不支持

None
停止拉普拉斯矩阵特征分解条件eigen_tolfloat

停止拉普拉斯矩阵特征分解条件,当eigen_solver为eigen_solver时生效

0.0
K-Means聚类的运行次数n_initint

K-Means聚类的运行次数,最终结果是连续运行后的最佳输出

10
核系数gammafloat

核系数,rbf,poly,sigmoid,laplacian和chi2的核系数

1.0
聚类方法assign_labelschoice

聚类方法,常用kmeans,但对质心初始化较敏感,discretize则不敏感

kmeans
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
并行作业数workersint

并行作业数,同时使用多少个进程进行计算,默认是1,普通用户最多为2,会员可以使用更多资源

1
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

训练数据集transform_trainds通用

训练数据集,聚类训练结果为列label

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

# 特征预处理

#主成分分析降维 (decomposition_pca.v1)

主成分分析,主要功能为降维,是数据预处理的一个步骤。通过主成分分析对于原特征进行线性组合,得到影响力最大的新特征并输出。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数主成分特征个数n_componentsint

主成分特征个数,希望PCA降维后的特征维度数目

1
白化whitenbool

白化,使得每个特征具有相同的方差

False
其他训练参数other_train_parameterscode

其他训练参数,字典格式,例:{'criterion': 'mse'}

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

降维后的特征pca_features通用

降维后的特征

降维后训练集transform_trainds通用

降维后训练集,降维特征通过属性pca_features查看

降维后预测集transform_predictds通用

降维后预测集,降维特征通过属性pca_features查看

#最大绝对值归一化 (preprocessing_max_abs_scaler.v1)

最大绝对值归一化。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输出端训练出来的模型output_model通用

训练出来的模型

转换后训练集transform_trainds通用

转换后训练集

转换后预测集transform_predictds通用

转换后预测集

#特征缩放 (preprocessing_min_max_scaler.v1)

将特征值缩放到一定范围内。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数特征缩放下限feature_range_lowint

特征缩放下限,将特征缩放到执行范围之间

0
特征缩放上限feature_range_highint

特征缩放上限,将特征缩放到执行范围之间

1
输出端训练出来的模型output_model通用

训练出来的模型

转换后训练集transform_trainds通用

转换后训练集

转换后预测集transform_predictds通用

转换后预测集

#标准化 (preprocessing_normalizer.v1)

标准化处理。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数标准化方法normchoice

标准化方法

l2
输出端训练出来的模型output_model通用

训练出来的模型

标准化训练集transform_trainds通用

标准化训练集

标准化预测集transform_predictds通用

标准化预测集

#序数编码 (preprocessing_ordinal_encoder.v1)

序数编码。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输出端训练出来的模型output_model通用

训练出来的模型

转换后训练集transform_trainds通用

转换后训练集

转换后预测集transform_predictds通用

转换后预测集

#RobustScaler标准化 (preprocessing_robust_scaler.v1)

RobustScaler 针对离群点做标准化处理。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数中心化with_centeringbool

中心化

True
数据是否按分位数缩放with_scalingbool

数据是否按分位数缩放

True
缩放分位数下限quantile_range_minfloat

缩放分位数下限,介于0.0到100.0之间

25.0
缩放分位数上限quantile_range_maxfloat

缩放分位数上限,介于0.0到100.0之间

75.0
输出端训练出来的模型output_model通用

训练出来的模型

转换后训练集transform_trainds通用

转换后训练集

转换后预测集transform_predictds通用

转换后预测集

#StandardScaler标准化 (preprocessing_standard_scaler.v1)

标准化处理,使得数据平均值是0并且有相同阶数的方差。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据,如果传入,则需要特征指定输入

None
特征features通用

特征,用于训练

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数中心化with_meanbool

中心化

True
缩放到单位标准差with_stdbool

缩放到单位标准差

True
输出端训练出来的模型output_model通用

训练出来的模型

转换后训练集transform_trainds通用

转换后训练集

转换后预测集transform_predictds通用

转换后预测集

# 其他

#GBDT预测 (GBDT_predict.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端模型model通用

模型,参考 :doc:随机森林模型 M.random_forest_train<module_random_forest_train>

*必填
待预测数据集data通用

待预测数据集

*必填
输入参数日期列名date_colstr

日期列名,如果在表达式中用到切面相关函数时,比如 rank,会用到此列名

date
证券代码列名instrument_colstr

证券代码列名,如果在表达式中用到时间序列相关函数时,比如 shift,会用到此列名

instrument
是否对结果排序sortbool

是否对结果排序

True
输出端预测结果predictions通用

预测结果

#GBDT训练 (GBDT_train.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据

*必填
因子/特征features通用

因子/特征,支持基础特征和衍生特征

*必填
验证数据test_ds通用

验证数据

None
输入参数迭代次数num_boost_roundint

迭代次数

120
提前停止检测次数early_stopping_roundsint

提前停止检测次数,停止训练的的检测次数

None
损失函数类型objectivechoice

损失函数类型

reg:linear
类别个数num_classint

类别个数,如果使用multi:softprob需要设置

None
评价指标eval_metricchoice

评价指标

error
模型boosterchoice

模型

gbtree
学习率etafloat

学习率

0.1
最小节点分裂损失值gammafloat

最小节点分裂损失值

0.0001
L2正则_lambdafloat

L2正则

0
L2正则偏置lambda_biasfloat

L2正则偏置

0
L1正则alphafloat

L1正则

0
树的最大深度max_depthint

树的最大深度

6
树最多叶子个数max_leaf_nodesint

树最多叶子个数

30
随机采样比例subsamplefloat

随机采样比例

0.8
参数字典xgb_paramcode

参数字典

默认代码
输出端训练出来的模型model通用

训练出来的模型

#LightGBM (lightgbm.v1)

LightGBM模块,可以用做排序、分类和回归类的训练。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据

None
因子/特征features通用

因子/特征,支持基础特征和衍生特征

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数迭代次数num_boost_roundint

迭代次数

30
损失函数类型objectivechoice

损失函数类型

排序(ndcg)
树最大叶子个数num_leavesint

树最大叶子个数

30
学习率learning_ratefloat

学习率

0.1
每个叶子最少样本数min_data_in_leafint

每个叶子最少样本数

200
特征值离散化数量max_binint

特征值离散化数量

255
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
群组标识列group_colstr

群组标识列,排序类任务,只有group_col相同的才需要排序, 默认不需要改

date
参数字典other_train_parameterscode

参数字典

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

#线性模型预测(SGD) (linear_sgd_predict.v2)

使用示例

类别显示名称名称类型描述必填/默认
输入端模型model通用

模型,参考 :doc:线性随机梯度下降模型 M.linear_sgd_train<module_linear_sgd_train>

*必填
待预测数据集data通用

待预测数据集

*必填
输出端预测结果predictions通用

预测结果

#线性模型训练(SGD) (linear_sgd_train.v2)

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据

*必填
因子/特征features通用

因子/特征,支持基础特征和衍生特征

*必填
训练时用的测试集test_ds通用

训练时用的测试集,可以根据此数据集上的预测效果,来做模型参数和特征等的调整

None
输入参数损失函数类型losschoice

损失函数类型

auto
正则类型penaltychoice

正则类型

l2
正则损失函数的系数alphafloat

正则损失函数的系数

0.0001
训练迭代次数n_iterint

训练迭代次数

5
训练时shufflebool

训练时,是否先随机打乱

True
初始学习率eta0float

初始学习率

0.1
算法类型algochoice

算法类型,classifier是分类算法,regressor是回归算法

classifier
输出端训练出来的模型model通用

训练出来的模型

#随机森林预测 (random_forest_predict.v2)

使用示例

类别显示名称名称类型描述必填/默认
输入端模型model通用

模型,参考 :doc:随机森林模型 M.random_forest_train<module_random_forest_train>

*必填
待预测数据集data通用

待预测数据集

*必填
输入参数日期列名date_colstr

日期列名,如果在表达式中用到切面相关函数时,比如 rank,会用到此列名

date
证券代码列名instrument_colstr

证券代码列名,如果在表达式中用到时间序列相关函数时,比如 shift,会用到此列名

instrument
是否对结果排序sortbool

是否对结果排序

True
输出端预测结果predictions通用

预测结果

#随机森林训练 (random_forest_train.v2)

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据

*必填
因子/特征features通用

因子/特征,支持基础特征和衍生特征

*必填
训练时用的测试集test_ds通用

训练时用的测试集,可以根据此数据集上的预测效果,来做模型参数和特征等的调整。为None,表示不使用测试集

None
输入参数树的个数n_estimatorsint

树的个数,个数越多,则模型越复杂,计算速度越慢

10
最多考虑特征个数max_featuresstr

最多考虑特征个数,新建节点时,最多考虑的特征个数。默认为auto,一般不需要更改

auto
数据的最大深度max_depthint

数据的最大深度,限制每棵树的最大深度,数值大拟合能力强,数值小泛化能力强。设置为None则不限制

30
每个叶子节点最少样本数min_samples_leafint

每个叶子节点最少样本数,数值大泛化能力强,数值小拟合能力强

200
并行度n_jobsint

并行度,同时使用多少个进程进行计算,最多是4

1
算法类型algochoice

算法类型,classifier是分类算法,regressor是回归算法

regressor
输出端训练出来的模型model通用

训练出来的模型

#滚动运行 (rolling_run.v1)

通用滚动运行。简单的可以理解为 map(run, input_list)

使用示例

类别显示名称名称类型描述必填/默认
输入端训练run通用

训练,训练模块的延迟执行输出

*必填
输入数据(列表)input_list通用

输入数据(列表)

*必填
输入参数参数名param_namestr

参数名,run 中用于接收滚动运行数据的参数。示例1:rolling_input;示例2:run_a=rolling_b|run_c=rolling_d。具体见源代码

rolling_input
输出端输出数据(列表)data通用

输出数据(列表)

#滚动预测 (rolling_run_predict.v1)

滚动预测,通用滚动预测

使用示例

类别显示名称名称类型描述必填/默认
输入端预测predict通用

预测,预测模块的延迟执行输出

*必填
输入参数模型参数名model_param_namestr

模型参数名,predict里用来接收模型的参数名,将从此参数获取模型输入

model
数据参数名data_param_namestr

数据参数名,predict里用来接收数据的参数名,将从此参数获取数据输入

data
输出端预测结果predictions通用

预测结果

#XGBoost (xgboost.v1)

xgboost模块,可以用做排序、分类和回归类的训练。

使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据training_ds通用

训练数据

None
因子/特征features通用

因子/特征,支持基础特征和衍生特征

None
模型model通用

模型,用于预测,如果不指定训练数据,则使用此模型预测

None
预测数据predict_ds通用

预测数据,如果不设置,则不做预测

None
输入参数迭代次数num_boost_roundint

迭代次数

30
损失函数类型objectivechoice

损失函数类型

排序(pairwise)
模型boosterchoice

模型

gbtree
树的最大深度max_depthint

树的最大深度

6
关键列key_colsstr

关键列,关键列的数据会复制到预测结果里,多个列用英文逗号分隔

date,instrument
群组标识列group_colstr

群组标识列,排序类任务,只有group_col相同的才需要排序, 默认不需要改

date
参数字典other_train_parameterscode

参数字典

默认代码
输出端训练出来的模型output_model通用

训练出来的模型

预测结果predictions通用

预测结果,如果predict_ds为None,predictions也为None

# 深度学习

# 模型

#构建(深度学习) (dl_model_init.v1)

构造一个拥有输入和输出的模型。我们使用Model来初始化构造一个函数式模型。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输出outputs通用

输出

None
输出端模型data通用

模型

#预测(深度学习) (dl_model_predict.v1)

深度学习模型预测。

使用示例

类别显示名称名称类型描述必填/默认
输入端模型trained_model通用

模型

*必填
数据input_data通用

数据,pickle格式dict,包含x

*必填
输入参数batch_sizebatch_sizeint

batch_size,进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降,使目标函数优化一步。

32
gpu个数n_gpusint

gpu个数,本模块使用的gpu个数

0
日志输出verbosechoice

日志输出

2:每个epoch输出一行记录
输出端预测结果data通用

预测结果

#训练(深度学习) (dl_model_train.v1)

深度学习模型模型编译和训练。

使用示例

类别显示名称名称类型描述必填/默认
输入端模型结构input_model通用

模型结构

*必填
训练数据training_data通用

训练数据,pickle格式dict,包含x和y

*必填
验证数据validation_data通用

验证数据,pickle格式dict,包含x和y

None
输入参数优化器optimizerchoice

优化器,optimizer,优化器使用的是使用默认参数,如果需要修改参数,可以使用自定义优化器

SGD
自定义优化器user_optimizercode

自定义优化器,示例: from keras import optimizers bigquant_run=optimizers.SGD(lr=0.01, clipvalue=0.5)

默认代码
目标函数losschoice

目标函数,loss,目标函数/损失函数

mean_squared_error
自定义目标函数user_losscode

自定义目标函数,示例: from keras import losses bigquant_run=losses.mean_squared_error

默认代码
评估指标metricsstr

评估指标,包含评估模型在训练和测试时的性能的指标,多个指标用英文逗号(,)分隔。示例:mse,accuracy

None
batch_sizebatch_sizeint

batch_size,进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降,使目标函数优化一步。

32
epochsepochsint

epochs,训练终止时的epoch值,训练将在达到该epoch值时停止,当没有设置initial_epoch时,它就是训练的总轮数,否则训练的总轮数为epochs - inital_epoch

1
gpu个数n_gpusint

gpu个数,本模块使用的gpu个数

0
日志输出verbosechoice

日志输出

2:每个epoch输出一行记录
输出端训练后的模型data通用

训练后的模型

# 包装器

#Bidirectional层 (dl_layer_bidirectional.v1)

双向RNN包装器

使用示例

类别显示名称名称类型描述必填/默认
输入端输入层layer通用

输入层

*必填
输入inputs通用

输入

None
输入参数merge_modemerge_modechoice

merge_mode,Mode by which outputs of the forward and backward RNNs will be combined. 前向和后向RNN输出的结合方式,为sum,mul,concat,ave和None之一,若设为None,则返回值不结合,而是以列表的形式返回

None
weightsweightsstr

weights,列表,列表用英文逗号(,)分隔,例如 1,2

None
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#TimeDistributed层 (dl_layer_timedistributed.v1)

该包装器可以把一个层应用到输入的每一个时间步上。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入层layer通用

输入层

*必填
输入inputs通用

输入

None
输入参数名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 卷积层

#Conv1D层 (dl_layer_conv1d.v1)

一维卷积层(即时域卷积),用以在一维输入信号上进行邻域滤波。当使用该层作为首层时,需要提供关键字参数input_shape。例如(10,128)代表一个长为10的序列,序列中每个信号为128向量。而(None, 128)代表变长的128维向量序列。

该层生成将输入信号与卷积核按照单一的空域(或时域)方向进行卷积。如果use_bias=True,则还会加上一个偏置项,若activation不为None,则输出为经过激活函数的输出。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数卷积核数目filtersint

卷积核数目,filters,即输出的维度

*必填
kernel_sizekernel_sizestr

kernel_size,卷积核的空域或时域窗长度。整数列表,列表用英文逗号(,)分隔,例如 12,34

*必填
步长stridesstr

步长,strides,卷积的步长。整数列表,列表用英文逗号(,)分隔,例如 12,34

1
paddingpaddingchoice

padding,补0策略,为“valid”, “same” 或“causal”,“causal”将产生因果(膨胀的)卷积,即output[t]不依赖于input[t+1:]。当对不能违反时间顺序的时序信号建模时有用。参考WaveNet: A Generative Model for Raw Audio, section 2.1.。“valid”代表只进行有效的卷积,即对边界数据不处理。“same”代表保留边界处的卷积结果,通常会导致输出shape与输入shape相同。

valid
dilation_ratedilation_rateint

dilation_rate,整数,指定dilated convolution中的膨胀比例。任何不为1的dilation_rate均与任何不为1的strides均不兼容。

1
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

None
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

Zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Conv2D层 (dl_layer_conv2d.v1)

二维卷积层,即对图像的空域卷积。该层对二维输入进行滑动窗卷积,当使用该层作为第一层时,应提供input_shape参数。例如input_shape = (128,128,3)代表128*128的彩色RGB图像(data_format='channels_last')

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数卷积核数目filtersint

卷积核数目,filters,即输出的维度

*必填
kernel_sizekernel_sizestr

kernel_size,卷积核的空域或时域窗长度。整数列表,列表用英文逗号(,)分隔,例如 12,34

*必填
步长stridesstr

步长,strides,卷积的步长。长为 2 的整数列表,列表用英文逗号(,)分隔,例如 2,2

1,1
paddingpaddingchoice

padding,补0策略,为“valid”, “same” 。“valid”代表只进行有效的卷积,即对边界数据不处理。“same”代表保留边界处的卷积结果,通常会导致输出shape与输入shape相同。

valid
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
dilation_ratedilation_ratestr

dilation_rate,整数或由2个整数构成的list/tuple,指定dilated convolution中的膨胀比例。任何不为1的dilation_rate均与任何不为1的strides均不兼容。

1,1
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

None
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

Zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Conv2DTranspose层 (dl_layer_conv2dtranspose.v1)

该层是转置的卷积操作(反卷积)。需要反卷积的情况通常发生在用户想要对一个普通卷积的结果做反方向的变换。例如,将具有该卷积层输出shape的tensor转换为具有该卷积层输入shape的tensor。同时保留与卷积层兼容的连接模式。

当使用该层作为第一层时,应提供input_shape参数。例如input_shape = (3,128,128)代表128*128的彩色RGB图像

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数卷积核数目filtersint

卷积核数目,filters,即输出的维度

*必填
kernel_sizekernel_sizestr

kernel_size,卷积核的空域或时域窗长度。整数列表,列表用英文逗号(,)分隔,例如 12,34

*必填
卷积的步长stridesstr

卷积的步长,strides,单个整数或由两个整数构成的list/tuple,为卷积的步长。如为单个整数,则表示在各个空间维度的相同步长。任何不为1的strides均与任何不为1的dilation_rate均不兼容。用英文逗号(,)分隔的整数列表,例如 10,20

1,1
paddingpaddingchoice

padding,补0策略,为“valid”, “same” 。“valid”代表只进行有效的卷积,即对边界数据不处理。“same”代表保留边界处的卷积结果,通常会导致输出shape与输入shape相同。

valid
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
dilation_ratedilation_ratestr

dilation_rate,整数或由2个整数构成的list/tuple,指定dilated convolution中的膨胀比例。任何不为1的dilation_rate均与任何不为1的strides均不兼容。

1,1
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

None
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Conv3D层 (dl_layer_conv3d.v1)

三维卷积对三维的输入进行滑动窗卷积,当使用该层作为第一层时,应提供input_shape参数。例如input_shape = (3,10,128,128)代表对10帧128*128的彩色RGB图像进行卷积。数据的通道位置仍然有data_format参数指定。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数卷积核数目filtersint

卷积核数目,filters,即输出的维度

*必填
kernel_sizekernel_sizestr

kernel_size,卷积核的空域或时域窗长度。整数列表,列表用英文逗号(,)分隔,例如 12,34

*必填
卷积的步长stridesstr

卷积的步长,strides,单个整数或由3个整数构成的list/tuple,为卷积的步长。如为单个整数,则表示在各个空间维度的相同步长。任何不为1的strides均与任何不为1的dilation_rate均不兼容

1,1,1
paddingpaddingchoice

padding,补0策略,为“valid”, “same” 。“valid”代表只进行有效的卷积,即对边界数据不处理。“same”代表保留边界处的卷积结果,通常会导致输出shape与输入shape相同。

valid
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
dilation_ratedilation_ratestr

dilation_rate,单个整数或由3个个整数构成的list/tuple,指定dilated convolution中的膨胀比例。任何不为1的dilation_rate均与任何不为1的strides均不兼容。

1,1,1
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

None
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Cropping1D层 (dl_layer_cropping1d.v1)

在时间轴(axis1)上对1D输入(即时间序列)进行裁剪

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数croppingcroppingstr

cropping,长为2的tuple,指定在序列的首尾要裁剪掉多少个元素,用英文逗号(,)分隔的整数列表,例如 10 或者 32,24

1,1
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Cropping2D层 (dl_layer_cropping2d.v1)

对2D输入(图像)进行裁剪,将在空域维度,即宽和高的方向上裁剪 (e.g. picture).

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数croppingcroppingstr

cropping,长为4的列表,2个一组,分别为宽和高方向上头部与尾部需要裁剪掉的元素数。列表用英文逗号(,)分隔的整数列表,例如 10 或者 32,24

0,0,0,0
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Cropping3D层 (dl_layer_cropping3d.v1)

对3D输入(图像)进行裁剪 (e.g. spatial or spatio-temporal).

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数croppingcroppingstr

cropping,长为6的列表,2个一组,分别为三个方向上头部与尾部需要裁剪掉的元素数。列表用英文逗号(,)分隔的整数列表,例如 10 或者 32,24

1,1,1,1,1,1
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#SeparableConv2D层 (dl_layer_separableconv2d.v1)

该层是在深度方向上的可分离卷积。可分离卷积首先按深度方向进行卷积(对每个输入通道分别卷积),然后逐点进行卷积,将上一步的卷积结果混合到输出通道中。参数depth_multiplier控制了在depthwise卷积(第一步)的过程中,每个输入通道信号产生多少个输出通道。直观来说,可分离卷积可以看做讲一个卷积核分解为两个小的卷积核,或看作Inception模块的一种极端情况。当使用该层作为第一层时,应提供input_shape参数。例如input_shape = (3,128,128)代表128*128的彩色RGB图像。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数卷积核数目filtersint

卷积核数目,filters,即输出的维度

*必填
kernel_sizekernel_sizestr

kernel_size,卷积核的空域或时域窗长度。整数列表,列表用英文逗号(,)分隔,例如 12,34

*必填
卷积的步长stridesstr

卷积的步长,strides,如为单个整数,则表示在各个空间维度的相同步长。任何不为1的strides均与任何不为1的dilation_rate均不兼容。用英文逗号(,)分隔的整数列表

1,1
paddingpaddingchoice

padding,补0策略,为“valid”, “same” 。“valid”代表只进行有效的卷积,即对边界数据不处理。“same”代表保留边界处的卷积结果,通常会导致输出shape与输入shape相同。

valid
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
depth_multiplierdepth_multiplierstr

depth_multiplier,The number of depthwise convolution output channels for each input channel. The total number of depthwise convolution output channels will be equal to filterss_in * depth_multiplier .

1
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

None
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
depthwise_initializerdepthwise_initializerchoice

depthwise_initializer,Initializer for the depthwise kernel matrix,使用的是使用默认参数

glorot_uniform
自定义depthwise_initializeruser_depthwise_initializercode

自定义depthwise_initializer,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
pointwise_initializerpointwise_initializerchoice

pointwise_initializer,Initializer for the pointwise kernel matrix,使用的是使用默认参数

glorot_uniform
自定义pointwise_initializeruser_pointwise_initializercode

自定义pointwise_initializer,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
depthwise_regularizerdepthwise_regularizerchoice

depthwise_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
depthwise_regularizer L1depthwise_regularizer_l1float

depthwise_regularizer L1,如果使用L1L2正则化,此参数有效

0
depthwise_regularizer L2depthwise_regularizer_l2float

depthwise_regularizer L2,如果使用L1L2正则化,此参数有效

0
自定义depthwise_regularizeruser_depthwise_regularizercode

自定义depthwise_regularizer,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
pointwise_regularizerpointwise_regularizerchoice

pointwise_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
pointwise_regularizer L1pointwise_regularizer_l1float

pointwise_regularizer L1,如果使用L1L2正则化,此参数有效

0
pointwise_regularizer L2pointwise_regularizer_l2float

pointwise_regularizer L2,如果使用L1L2正则化,此参数有效

0
自定义pointwise_regularizeruser_pointwise_regularizercode

自定义pointwise_regularizer,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
depthwise_constraintdepthwise_constraintchoice

depthwise_constraint,在优化过程中为网络的参数施加约束

None
自定义depthwise_constraintuser_depthwise_constraintcode

自定义depthwise_constraint,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
pointwise_constraintpointwise_constraintchoice

pointwise_constraint,在优化过程中为网络的参数施加约束

None
自定义pointwise_constraintuser_pointwise_constraintcode

自定义pointwise_constraint,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#UpSampling1D层 (dl_layer_upsampling1d.v1)

Upsampling layer for 1D inputs。在时间轴上,将每个时间步重复length次。输入形如(samples,steps,features)的3D张量,输出形如(samples,upsampled_steps,features)的3D张量。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数上采样因子sizeint

上采样因子,size

2
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#UpSampling2D层 (dl_layer_upsampling2d.v1)

Upsampling layer for 2D inputs. 将数据的行和列分别重复size[0]和size[1]次。输入和输出均为4D张量。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数sizesizestr

size,长为2的列表,分别为行和列上采样因子。列表用英文逗号(,)分隔的整数列表,例如 10 或者 32,24

2,2
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#UpSampling3D层 (dl_layer_upsampling3d.v1)

Upsampling layer for 3D inputs. 将数据的三个维度上分别重复size[0]、size[1]和ize[2]次。输入和输出均为5D张量。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数sizesizestr

size,长为3的列表,分别为行和列上采样因子。列表用英文逗号(,)分隔的整数列表,例如 10 或者 32,24

2,2,2
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#ZeroPadding1D层 (dl_layer_zeropadding1d.v1)

对1D输入的首尾端(如时域序列)填充0,以控制卷积以后向量的长度。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数paddingpaddingint

padding,表示在要填充的轴的起始和结束处填充0的数目,这里要填充的轴是轴1(第1维,第0维是样本数)

1
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#ZeroPadding2D层 (dl_layer_zeropadding2d.v1)

对2D输入(如图片)的边界填充0,以控制卷积以后特征图的大小。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数paddingpaddingstr

padding,表示在要填充的轴的起始和结束处填充0的数目,这里要填充的轴是轴3和轴4(即在'th'模式下图像的行和列,在‘channels_last’模式下要填充的则是轴2,3)。长为 2 的整数列表,列表用英文逗号(,)分隔,例如 2,2

2,2
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#ZeroPadding3D层 (dl_layer_zeropadding3d.v1)

将数据的三个维度上填充0。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数paddingpaddingstr

padding,长为3的整数列表,列表用英文逗号(,)分隔的整数列表,例如 32,24。表示在要填充的轴的起始和结束处填充0的数目,这里要填充的轴是轴3,轴4和轴5,‘channels_last’模式下则是轴2,3和4

1,1,1
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 噪声层

#AlphaDropout层 (dl_layer_alphadropout.v1)

对输入施加Alpha Dropout。Alpha Dropout是一种保持输入均值和方差不变的Dropout,该层的作用是即使在dropout时也保持数据的自规范性。 通过随机对负的饱和值进行激活,Alphe Drpout与selu激活函数配合较好。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数dropout率ratefloat

dropout率,断连概率,与Dropout层相同

*必填
noise_shapenoise_shapestr

noise_shape,noise_shape。整数列表,列表用英文逗号(,)分隔,例如 12,34

None
随机数种子seedint

随机数种子,整数

None
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#GaussianDropout层 (dl_layer_gaussiandropout.v1)

为层的输入施加以1为均值,标准差为sqrt(rate/(1-rate)的乘性高斯噪声

因为这是一个起正则化作用的层,该层只在训练时才有效。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数rateratefloat

rate,drop probability (as with Dropout ). The multiplicative noise will have standard deviation sqrt(rate / (1 - rate)). 断连概率,与Dropout层相同

*必填
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#GaussianNoise层 (dl_layer_gaussiannoise.v1)

为数据施加0均值,标准差为stddev的加性高斯噪声。该层在克服过拟合时比较有用,你可以将它看作是随机的数据提升。高斯噪声是需要对输入数据进行破坏时的自然选择。因为这是一个起正则化作用的层,该层只在训练时才有效。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数stddevstddevfloat

stddev,代表要产生的高斯噪声标准差

*必填
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 局部连接层

#LocallyConnected1D层 (dl_layer_locallyconnected1d.v1)

LocallyConnected1D层与Conv1D工作方式类似,唯一的区别是不进行权值共享。即施加在不同输入位置的滤波器是不一样的。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数卷积核数目filtersint

卷积核数目,filters,即输出的维度

*必填
kernel_sizekernel_sizestr

kernel_size,卷积核的空域或时域窗长度。整数列表,列表用英文逗号(,)分隔,例如 12,34

*必填
步长stridesstr

步长,strides,卷积的步长。整数列表,列表用英文逗号(,)分隔,例如 12,34

1
paddingpaddingchoice

padding,补0策略

valid
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

None
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#LocallyConnected2D层 (dl_layer_locallyconnected2d.v1)

LocallyConnected2D层与Convolution2D工作方式类似,唯一的区别是不进行权值共享。即施加在不同输入patch的滤波器是不一样的,当使用该层作为模型首层时,需要提供参数input_dim或input_shape参数。参数含义参考Convolution2D。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数卷积核数目filtersint

卷积核数目,filters,即输出的维度

*必填
kernel_sizekernel_sizestr

kernel_size,卷积核的空域或时域窗长度。整数列表,列表用英文逗号(,)分隔,例如 12,34

*必填
步长stridesstr

步长,strides,卷积的步长。长为 2 的整数列表,列表用英文逗号(,)分隔,例如 2,2

1,1
paddingpaddingchoice

padding,补0策略,为“valid”, “same” 。“valid”代表只进行有效的卷积,即对边界数据不处理。“same”代表保留边界处的卷积结果,通常会导致输出shape与输入shape相同。

valid
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

None
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 嵌入层

#Embedding层 (dl_layer_embedding.v1)

嵌入层将正整数(下标)转换为具有固定大小的向量,如[[4],[20]]->[[0.25,0.1],[0.6,-0.2]]

Embedding层只能作为模型的第一层

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数input_diminput_dimint

input_dim,字典长度,即输入数据最大下标+1

*必填
output_dimoutput_dimint

output_dim,全连接嵌入的维度

*必填
嵌入矩阵初始化embeddings_initializerchoice

嵌入矩阵初始化,embeddings_initializer,本选项里的函数使用的是默认参数,如果需要使用自定义参数或者其他函数,可以选择自定义,然后在下面输入自定义函数

uniform
自定义嵌入矩阵初始化user_embeddings_initializercode

自定义嵌入矩阵初始化,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
嵌入矩阵正则项embeddings_regularizerchoice

嵌入矩阵正则项,embeddings_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
嵌入矩阵正则项L1embeddings_regularizer_l1float

嵌入矩阵正则项L1,如果使用L1L2正则化,此参数有效

0
嵌入矩阵正则项L2embeddings_regularizer_l2float

嵌入矩阵正则项L2,如果使用L1L2正则化,此参数有效

0
自定义嵌入矩阵正则项user_embeddings_regularizercode

自定义嵌入矩阵正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
嵌入矩阵约束项embeddings_constraintchoice

嵌入矩阵约束项,embeddings_constraint,在优化过程中为网络的参数施加约束

None
自定义嵌入矩阵约束项user_embeddings_constraintcode

自定义嵌入矩阵约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
mask_zeromask_zerobool

mask_zero,确定是否将输入中的‘0’看作是应该被忽略的‘填充’(padding)值,该参数在使用递归层处理变长输入时有用。设置为True的话,模型中后续的层必须都支持masking,否则会抛出异常。如果该值为True,则下标0在字典中不可用,input_dim应设置为|vocabulary| + 1

False
input_lengthinput_lengthint

input_length,当输入序列的长度固定时,该值为其长度。如果要在该层后接Flatten层,然后接Dense层,则必须指定该参数,否则Dense层的输出维度无法自动推断

None
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 常用层

#激活层(Activation) (dl_layer_activation.v1)

激活层,对一个层的输出施加激活函数

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

tanh
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#ActivityRegularization层 (dl_layer_activityregularization.v1)

ActivityRegularizer层,经过本层的数据不会有任何变化,但会基于其激活值更新损失函数值,可设置L1/L2范数更新损失函数。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数L1范数l1float

L1范数,l1,L1范数正则因子(正浮点数)

0.0
L2范数l2float

L2范数,l2,L2范数正则因子(正浮点数)

0.0
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#全连接层(Dense) (dl_layer_dense.v1)

Dense,全连接层,所实现的运算是output = activation(dot(input, kernel)+bias)。其中activation是逐元素计算的激活函数,kernel是本层的权值矩阵,bias为偏置向量,只有当use_bias=True才会添加。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数输出空间维度unitsint

输出空间维度,units,正整数

*必填
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

tanh
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

Zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Dropout层 (dl_layer_dropout.v1)

为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时按一定概率(rate)随机断开输入神经元,用于防止过拟合。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数rateratefloat

rate,0~1的浮点数,控制需要断开的神经元的比例

*必填
noise_shapenoise_shapestr

noise_shape,为将要应用在输入上的二值Dropout mask的shape,例如你的输入为(batch_size, timesteps, features),并且你希望在各个时间步上的Dropout mask都相同,则可传入noise_shape=(batch_size, 1, features)

None
随机数种子seedint

随机数种子

None
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Flatten层 (dl_layer_flatten.v1)

Flatten层用来将输入“压平”,即把多维的输入一维化,常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#输入层(Input) (dl_layer_input.v1)

张量输入层

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数shapeshapestr

shape, 输入张量形状,用英文逗号(,)分隔的整数列表,例如 32,24,表示输入数据是一系列的 32x24的矩阵

None
batch_shapebatch_shapestr

batch_shape, A shape tuple (integer), including the batch size. For instance, batch_shape=10,32 indicates that the expected input will be batches of 10 32-dimensional vectors. batch_shape=None,32 indicates batches of an arbitrary number of 32-dimensional vectors.

None
数据类型dtypestr

数据类型, The data type expected by the input, as a string (float32, float64, int32...)

float32
sparsesparsebool

sparse, A boolean specifying whether the placeholder to be created is sparse.

False
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Lambda层 (dl_layer_lambda.v1)

Lambda层,实现将任意函数/表达式封装为Layer/层。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数函数functioncode

函数,求值函数,以输入张量作为参数

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Masking层 (dl_layer_masking.v1)

屏蔽层。使用给定的值对输入的序列信号进行“屏蔽”,用以定位需要跳过的时间步。对于输入张量的时间步,即输入张量的第1维度(维度从0开始算,见例子),如果输入张量在该时间步上都等于mask_value,则该时间步将在模型接下来的所有层(只要支持masking)被跳过(屏蔽)。如果模型接下来的一些层不支持masking,却接受到masking过的数据,则抛出异常。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数mask_valuemask_valuefloat

mask_value

0.0
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Permute层 (dl_layer_permute.v1)

Permute层将输入的维度按照给定模式进行重排,例如,当需要将RNN和CNN网络连接时,可能会用到该层。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数dimsdimsstr

dims, 指定重排的模式,不包含样本数的维度。重拍模式的下标从1开始。例如 2,1 代表将输入的第二个维度重拍到输出的第一个维度,而将输入的第一个维度重排到第二个维度,用英文逗号(,)分隔的整数列表,例如 32,24

*必填
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#RepeatVector层 (dl_layer_repeatvector.v1)

RepeatVector层将输入重复n次。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数重复次数nint

重复次数

*必填
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Reshape层 (dl_layer_reshape.v1)

任意,但输入的shape必须固定。当使用该层为模型首层时,需要指定input_shape参数

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数target_shapetarget_shapestr

target_shape, 目标shape,不包含样本数目的维度(batch大小),用英文逗号(,)分隔的整数列表,例如 32,24,表示输入数据是一系列的 32x24的矩阵

*必填
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 循环层

#ConvLSTM2D层 (dl_layer_convlstm2d.v1)

ConvLSTM2D是一个LSTM网络,但它的输入变换和循环变换是通过卷积实现的

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数卷积核数目filtersint

卷积核数目,filters,即输出的维度

*必填
kernel_sizekernel_sizestr

kernel_size,卷积核的空域或时域窗长度。整数列表,列表用英文逗号(,)分隔,例如 12,34

*必填
stridesstridesstr

strides,卷积步长。当不等于1时,无法使用dilation功能,即dialation_rate必须为1。整数列表,列表用英文逗号(,)分隔,例如 12,34

1,1
paddingpaddingchoice

padding,补0策略

valid
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
dilation_ratedilation_ratestr

dilation_rate,指定dilated convolution中的膨胀比例。任何不为1的dilation_rate均与任何不为1的strides均不兼容。。整数列表,列表用英文逗号(,)分隔,例如 12,34

1,1
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

tanh
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
recurrent激活函数recurrent_activationchoice

recurrent激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用recurrent自定义激活函数

hard_sigmoid
recurrent自定义激活函数user_recurrent_activationcode

recurrent自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
循环核初始化方法recurrent_initializerchoice

循环核初始化方法,recurrent_initializer,使用的是使用默认参数

orthogonal
自定义循环核初始化方法user_recurrent_initializercode

自定义循环核初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
unit_forget_biasunit_forget_biasbool

unit_forget_bias,如果为, 初始化时在遗忘门的偏置项加1。设置为True,会强制使bias_initializer="Zeros"

True
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
循环核正则项recurrent_regularizerchoice

循环核正则项,recurrent_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
循环核正则项L1recurrent_regularizer_l1float

循环核正则项L1,如果使用L1L2正则化,此参数有效

0
循环核正则项L2recurrent_regularizer_l2float

循环核正则项L2,如果使用L1L2正则化,此参数有效

0
自定义循环核正则项user_recurrent_regularizercode

自定义循环核正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
循环核约束项recurrent_constraintchoice

循环核约束项,recurrent_constraint,在优化过程中为网络的参数施加约束

None
自定义循环核约束项user_recurrent_constraintcode

自定义循环核约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
return_sequencesreturn_sequencesbool

return_sequences,默认False,控制返回类型。若为True则返回整个序列,否则仅返回输出序列的最后一个输出

False
go_backwardsgo_backwardsbool

go_backwards,默认为False,若为True,则逆向处理输入序列并返回逆序后的序列

False
statefulstatefulbool

stateful,默认为False,若为True,则一个batch中下标为i的样本的最终状态将会用作下一个batch同样下标的样本的初始状态

False
dropoutdropoutfloat

dropout,0~1之间的浮点数,控制输入线性变换的神经元断开比例

0.0
recurrent_dropoutrecurrent_dropoutfloat

recurrent_dropout,0~1之间的浮点数,控制循环状态的线性变换的神经元断开比例

0.0
implementationimplementationchoice

implementation,0,1或2, 若为0,则RNN将以更少但是更大的矩阵乘法实现,因此在CPU上运行更快,但消耗更多的内存。如果设为1,则RNN将以更多但更小的矩阵乘法实现,因此在CPU上运行更慢,在GPU上运行更快,并且消耗更少的内存。如果设为2(仅LSTM和GRU可以设为2),则RNN将把输入门、遗忘门和输出门合并为单个矩阵,以获得更加在GPU上更加高效的实现。注意,RNN dropout必须在所有门上共享,并导致正则效果性能微弱降低。

0
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#CuDNNGRU层 (dl_layer_cudnngru.v1)

基于CuDNN的快速GRU实现,只能在GPU上运行,只能使用tensoflow为后端

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数输出空间维度unitsint

输出空间维度,units,正整数

*必填
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

tanh
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
循环核初始化方法recurrent_initializerchoice

循环核初始化方法,recurrent_initializer,使用的是使用默认参数

orthogonal
自定义循环核初始化方法user_recurrent_initializercode

自定义循环核初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
循环核正则项recurrent_regularizerchoice

循环核正则项,recurrent_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
循环核正则项L1recurrent_regularizer_l1float

循环核正则项L1,如果使用L1L2正则化,此参数有效

0
循环核正则项L2recurrent_regularizer_l2float

循环核正则项L2,如果使用L1L2正则化,此参数有效

0
自定义循环核正则项user_recurrent_regularizercode

自定义循环核正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
循环核约束项recurrent_constraintchoice

循环核约束项,recurrent_constraint,在优化过程中为网络的参数施加约束

None
自定义循环核约束项user_recurrent_constraintcode

自定义循环核约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
return_sequencesreturn_sequencesbool

return_sequences,默认False,控制返回类型。若为True则返回整个序列,否则仅返回输出序列的最后一个输出

False
return_statereturn_statebool

return_state,是否在输出中返回最后状态

False
statefulstatefulbool

stateful,默认为False,若为True,则一个batch中下标为i的样本的最终状态将会用作下一个batch同样下标的样本的初始状态

False
implementationimplementationchoice

implementation,0,1或2, 若为0,则RNN将以更少但是更大的矩阵乘法实现,因此在CPU上运行更快,但消耗更多的内存。如果设为1,则RNN将以更多但更小的矩阵乘法实现,因此在CPU上运行更慢,在GPU上运行更快,并且消耗更少的内存。如果设为2(仅LSTM和GRU可以设为2),则RNN将把输入门、遗忘门和输出门合并为单个矩阵,以获得更加在GPU上更加高效的实现。注意,RNN dropout必须在所有门上共享,并导致正则效果性能微弱降低。

0
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#CuDNNLSTM层 (dl_layer_cudnnlstm.v1)

Fast LSTM implementation backed by CuDNN.

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数输出空间维度unitsint

输出空间维度,units,正整数

*必填
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

tanh
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
循环核初始化方法recurrent_initializerchoice

循环核初始化方法,recurrent_initializer,使用的是使用默认参数

orthogonal
自定义循环核初始化方法user_recurrent_initializercode

自定义循环核初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
unit_forget_biasunit_forget_biasbool

unit_forget_bias,如果为, 初始化时在遗忘门的偏置项加1。设置为True,会强制使bias_initializer="Zeros"

True
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
循环核正则项recurrent_regularizerchoice

循环核正则项,recurrent_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
循环核正则项L1recurrent_regularizer_l1float

循环核正则项L1,如果使用L1L2正则化,此参数有效

0
循环核正则项L2recurrent_regularizer_l2float

循环核正则项L2,如果使用L1L2正则化,此参数有效

0
自定义循环核正则项user_recurrent_regularizercode

自定义循环核正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
循环核约束项recurrent_constraintchoice

循环核约束项,recurrent_constraint,在优化过程中为网络的参数施加约束

None
自定义循环核约束项user_recurrent_constraintcode

自定义循环核约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
return_sequencesreturn_sequencesbool

return_sequences,默认False,控制返回类型。若为True则返回整个序列,否则仅返回输出序列的最后一个输出

False
return_statereturn_statebool

return_state,是否在输出中返回最后状态

False
statefulstatefulbool

stateful,默认为False,若为True,则一个batch中下标为i的样本的最终状态将会用作下一个batch同样下标的样本的初始状态

False
implementationimplementationchoice

implementation,0,1或2, 若为0,则RNN将以更少但是更大的矩阵乘法实现,因此在CPU上运行更快,但消耗更多的内存。如果设为1,则RNN将以更多但更小的矩阵乘法实现,因此在CPU上运行更慢,在GPU上运行更快,并且消耗更少的内存。如果设为2(仅LSTM和GRU可以设为2),则RNN将把输入门、遗忘门和输出门合并为单个矩阵,以获得更加在GPU上更加高效的实现。注意,RNN dropout必须在所有门上共享,并导致正则效果性能微弱降低。

0
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#GRU层 (dl_layer_gru.v1)

门限循环单元。GRU(Gate Recurrent Unit)是循环神经网络(RNN)的一种。和LSTM一样,也是为了解决长期记忆和反向传播中的梯度等问题而提出来的,但是计算效率更高。

参考文献
- On the Properties of Neural Machine Translation: Encoder–Decoder Approaches
- Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling
- A Theoretically Grounded Application of Dropout in Recurrent Neural Networks

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数输出空间维度unitsint

输出空间维度,units,正整数

*必填
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

tanh
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
循环核初始化方法recurrent_initializerchoice

循环核初始化方法,recurrent_initializer,使用的是使用默认参数

orthogonal
自定义循环核初始化方法user_recurrent_initializercode

自定义循环核初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
循环核正则项recurrent_regularizerchoice

循环核正则项,recurrent_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
循环核正则项L1recurrent_regularizer_l1float

循环核正则项L1,如果使用L1L2正则化,此参数有效

0
循环核正则项L2recurrent_regularizer_l2float

循环核正则项L2,如果使用L1L2正则化,此参数有效

0
自定义循环核正则项user_recurrent_regularizercode

自定义循环核正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
循环核约束项recurrent_constraintchoice

循环核约束项,recurrent_constraint,在优化过程中为网络的参数施加约束

None
自定义循环核约束项user_recurrent_constraintcode

自定义循环核约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
dropoutdropoutfloat

dropout,0~1之间的浮点数,控制输入线性变换的神经元断开比例

0.0
recurrent_dropoutrecurrent_dropoutfloat

recurrent_dropout,0~1之间的浮点数,控制循环状态的线性变换的神经元断开比例

0.0
implementationimplementationchoice

implementation,0,1或2, 若为0,则RNN将以更少但是更大的矩阵乘法实现,因此在CPU上运行更快,但消耗更多的内存。如果设为1,则RNN将以更多但更小的矩阵乘法实现,因此在CPU上运行更慢,在GPU上运行更快,并且消耗更少的内存。如果设为2(仅LSTM和GRU可以设为2),则RNN将把输入门、遗忘门和输出门合并为单个矩阵,以获得更加在GPU上更加高效的实现。注意,RNN dropout必须在所有门上共享,并导致正则效果性能微弱降低。

0
return_sequencesreturn_sequencesbool

return_sequences,默认False,控制返回类型。若为True则返回整个序列,否则仅返回输出序列的最后一个输出

False
go_backwardsgo_backwardsbool

go_backwards,默认为False,若为True,则逆向处理输入序列并返回逆序后的序列

False
statefulstatefulbool

stateful,默认为False,若为True,则一个batch中下标为i的样本的最终状态将会用作下一个batch同样下标的样本的初始状态

False
unrollunrollbool

unroll,若为True,则循环层将被展开,否则就使用符号化的循环。当使用TensorFlow为后端时,循环网络本来就是展开的,因此该层不做任何事情。层展开会占用更多的内存,但会加速RNN的运算。层展开只适用于短序列。

False
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#GRUCell层 (dl_layer_grucell.v1)

GRU的Cell类

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数输出空间维度unitsint

输出空间维度,units,正整数

*必填
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

tanh
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
recurrent激活函数recurrent_activationchoice

recurrent激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用recurrent自定义激活函数

hard_sigmoid
recurrent自定义激活函数user_recurrent_activationcode

recurrent自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
循环核初始化方法recurrent_initializerchoice

循环核初始化方法,recurrent_initializer,使用的是使用默认参数

orthogonal
自定义循环核初始化方法user_recurrent_initializercode

自定义循环核初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
循环核正则项recurrent_regularizerchoice

循环核正则项,recurrent_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
循环核正则项L1recurrent_regularizer_l1float

循环核正则项L1,如果使用L1L2正则化,此参数有效

0
循环核正则项L2recurrent_regularizer_l2float

循环核正则项L2,如果使用L1L2正则化,此参数有效

0
自定义循环核正则项user_recurrent_regularizercode

自定义循环核正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
循环核约束项recurrent_constraintchoice

循环核约束项,recurrent_constraint,在优化过程中为网络的参数施加约束

None
自定义循环核约束项user_recurrent_constraintcode

自定义循环核约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
dropoutdropoutfloat

dropout,0~1之间的浮点数,控制输入线性变换的神经元断开比例

0.0
recurrent_dropoutrecurrent_dropoutfloat

recurrent_dropout,0~1之间的浮点数,控制循环状态的线性变换的神经元断开比例

0.0
implementationimplementationchoice

implementation,0,1或2, 若为0,则RNN将以更少但是更大的矩阵乘法实现,因此在CPU上运行更快,但消耗更多的内存。如果设为1,则RNN将以更多但更小的矩阵乘法实现,因此在CPU上运行更慢,在GPU上运行更快,并且消耗更少的内存。如果设为2(仅LSTM和GRU可以设为2),则RNN将把输入门、遗忘门和输出门合并为单个矩阵,以获得更加在GPU上更加高效的实现。注意,RNN dropout必须在所有门上共享,并导致正则效果性能微弱降低。

0
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#LSTM层 (dl_layer_lstm.v1)

LSTM层,长短期记忆模型,RNN的一种,可以解决梯度爆炸的问题。关于此算法的详情,请参考 教程
- Long short-term memory (original 1997 paper)
- Learning to forget: Continual prediction with LSTM
- Supervised sequence labeling with recurrent neural networks
- A Theoretically Grounded Application of Dropout in Recurrent Neural Networks

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数输出空间维度unitsint

输出空间维度,units,正整数

*必填
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

tanh
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
recurrent激活函数recurrent_activationchoice

recurrent激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用recurrent自定义激活函数

hard_sigmoid
recurrent自定义激活函数user_recurrent_activationcode

recurrent自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
是否使用偏置项use_biasbool

是否使用偏置项,use_bias

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
循环核初始化方法recurrent_initializerchoice

循环核初始化方法,recurrent_initializer,使用的是使用默认参数

Orthogonal
自定义循环核初始化方法user_recurrent_initializercode

自定义循环核初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

Zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
unit_forget_biasunit_forget_biasbool

unit_forget_bias,Boolean. If True, add 1 to the bias of the forget gate at initialization. Setting it to true will also force bias_initializer="Zeros". This is recommended in Jozefowicz et al.

True
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
循环核正则项recurrent_regularizerchoice

循环核正则项,recurrent_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
循环核正则项L1recurrent_regularizer_l1float

循环核正则项L1,如果使用L1L2正则化,此参数有效

0
循环核正则项L2recurrent_regularizer_l2float

循环核正则项L2,如果使用L1L2正则化,此参数有效

0
自定义循环核正则项user_recurrent_regularizercode

自定义循环核正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
循环核约束项recurrent_constraintchoice

循环核约束项,recurrent_constraint,在优化过程中为网络的参数施加约束

None
自定义循环核约束项user_recurrent_constraintcode

自定义循环核约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
dropoutdropoutfloat

dropout,0~1之间的浮点数,控制输入线性变换的神经元断开比例

0
recurrent_dropoutrecurrent_dropoutfloat

recurrent_dropout,0~1之间的浮点数,控制循环状态的线性变换的神经元断开比例

0
返回整个输出序列return_sequencesbool

返回整个输出序列,若为True则返回整个序列,否则仅返回输出序列的最后一个输出

False
implementationimplementationchoice

implementation,0,1或2, 若为0,则RNN将以更少但是更大的矩阵乘法实现,因此在CPU上运行更快,但消耗更多的内存。如果设为1,则RNN将以更多但更小的矩阵乘法实现,因此在CPU上运行更慢,在GPU上运行更快,并且消耗更少的内存。如果设为2(仅LSTM和GRU可以设为2),则RNN将把输入门、遗忘门和输出门合并为单个矩阵,以获得更加在GPU上更加高效的实现。注意,RNN dropout必须在所有门上共享,并导致正则效果性能微弱降低。

0
层名namestr

层名,名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#LSTMCell层 (dl_layer_lstmcell.v1)

LSTM的Cell类

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数输出空间维度unitsint

输出空间维度,units,正整数

*必填
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

tanh
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
recurrent激活函数recurrent_activationchoice

recurrent激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用recurrent自定义激活函数

hard_sigmoid
recurrent自定义激活函数user_recurrent_activationcode

recurrent自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
循环核初始化方法recurrent_initializerchoice

循环核初始化方法,recurrent_initializer,使用的是使用默认参数

orthogonal
自定义循环核初始化方法user_recurrent_initializercode

自定义循环核初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
unit_forget_biasunit_forget_biasbool

unit_forget_bias,如果为, 初始化时在遗忘门的偏置项加1。设置为True,会强制使bias_initializer="Zeros"

True
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
循环核正则项recurrent_regularizerchoice

循环核正则项,recurrent_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
循环核正则项L1recurrent_regularizer_l1float

循环核正则项L1,如果使用L1L2正则化,此参数有效

0
循环核正则项L2recurrent_regularizer_l2float

循环核正则项L2,如果使用L1L2正则化,此参数有效

0
自定义循环核正则项user_recurrent_regularizercode

自定义循环核正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
循环核约束项recurrent_constraintchoice

循环核约束项,recurrent_constraint,在优化过程中为网络的参数施加约束

None
自定义循环核约束项user_recurrent_constraintcode

自定义循环核约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
dropoutdropoutfloat

dropout,0~1之间的浮点数,控制输入线性变换的神经元断开比例

0.0
recurrent_dropoutrecurrent_dropoutfloat

recurrent_dropout,0~1之间的浮点数,控制循环状态的线性变换的神经元断开比例

0.0
implementationimplementationchoice

implementation,0,1或2, 若为0,则RNN将以更少但是更大的矩阵乘法实现,因此在CPU上运行更快,但消耗更多的内存。如果设为1,则RNN将以更多但更小的矩阵乘法实现,因此在CPU上运行更慢,在GPU上运行更快,并且消耗更少的内存。如果设为2(仅LSTM和GRU可以设为2),则RNN将把输入门、遗忘门和输出门合并为单个矩阵,以获得更加在GPU上更加高效的实现。注意,RNN dropout必须在所有门上共享,并导致正则效果性能微弱降低。

0
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#SimpleRNN层 (dl_layer_simplernn.v1)

全连接RNN网络,RNN的输出会被回馈到输入。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数输出空间维度unitsint

输出空间维度,units,正整数

*必填
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

tanh
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
循环核初始化方法recurrent_initializerchoice

循环核初始化方法,recurrent_initializer,使用的是使用默认参数

orthogonal
自定义循环核初始化方法user_recurrent_initializercode

自定义循环核初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
循环核正则项recurrent_regularizerchoice

循环核正则项,recurrent_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
循环核正则项L1recurrent_regularizer_l1float

循环核正则项L1,如果使用L1L2正则化,此参数有效

0
循环核正则项L2recurrent_regularizer_l2float

循环核正则项L2,如果使用L1L2正则化,此参数有效

0
自定义循环核正则项user_recurrent_regularizercode

自定义循环核正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
循环核约束项recurrent_constraintchoice

循环核约束项,recurrent_constraint,在优化过程中为网络的参数施加约束

None
自定义循环核约束项user_recurrent_constraintcode

自定义循环核约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
dropoutdropoutfloat

dropout,0~1之间的浮点数,控制输入线性变换的神经元断开比例

0.0
recurrent_dropoutrecurrent_dropoutfloat

recurrent_dropout,0~1之间的浮点数,控制循环状态的线性变换的神经元断开比例

0.0
return_sequencesreturn_sequencesbool

return_sequences,默认False,控制返回类型。若为True则返回整个序列,否则仅返回输出序列的最后一个输出

False
return_statereturn_statebool

return_state,是否在输出中返回最后状态

False
go_backwardsgo_backwardsbool

go_backwards,默认为False,若为True,则逆向处理输入序列并返回逆序后的序列

False
statefulstatefulbool

stateful,默认为False,若为True,则一个batch中下标为i的样本的最终状态将会用作下一个batch同样下标的样本的初始状态

False
unrollunrollbool

unroll,若为True,则循环层将被展开,否则就使用符号化的循环。当使用TensorFlow为后端时,循环网络本来就是展开的,因此该层不做任何事情。层展开会占用更多的内存,但会加速RNN的运算。层展开只适用于短序列。

False
implementationimplementationchoice

implementation,0,1或2, 若为0,则RNN将以更少但是更大的矩阵乘法实现,因此在CPU上运行更快,但消耗更多的内存。如果设为1,则RNN将以更多但更小的矩阵乘法实现,因此在CPU上运行更慢,在GPU上运行更快,并且消耗更少的内存。如果设为2(仅LSTM和GRU可以设为2),则RNN将把输入门、遗忘门和输出门合并为单个矩阵,以获得更加在GPU上更加高效的实现。注意,RNN dropout必须在所有门上共享,并导致正则效果性能微弱降低。

0
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#SimpleRNNCell层 (dl_layer_simplernncell.v1)

SinpleRNN的Cell类。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数输出空间维度unitsint

输出空间维度,units,正整数

*必填
激活函数activationchoice

激活函数,激活函数使用的是使用默认参数,如果需要修改参数,可以使用自定义激活函数

tanh
自定义激活函数user_activationcode

自定义激活函数,示例: def bigquant_run(x): import tensorflow as tf return tf.atan(x)

默认代码
use_biasuse_biasbool

use_bias,是否使用偏置项

True
权值初始化方法kernel_initializerchoice

权值初始化方法,kernel_initializer,使用的是使用默认参数

glorot_uniform
自定义权值初始化方法user_kernel_initializercode

自定义权值初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
循环核初始化方法recurrent_initializerchoice

循环核初始化方法,recurrent_initializer,使用的是使用默认参数

orthogonal
自定义循环核初始化方法user_recurrent_initializercode

自定义循环核初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
偏置向量初始化方法bias_initializerchoice

偏置向量初始化方法,bias_initializer,使用的是使用默认参数

zeros
自定义偏置向量初始化方法user_bias_initializercode

自定义偏置向量初始化方法,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
权值正则项kernel_regularizerchoice

权值正则项,kernel_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
权值正则项L1kernel_regularizer_l1float

权值正则项L1,如果使用L1L2正则化,此参数有效

0
权值正则项L2kernel_regularizer_l2float

权值正则项L2,如果使用L1L2正则化,此参数有效

0
自定义权值正则项user_kernel_regularizercode

自定义权值正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
循环核正则项recurrent_regularizerchoice

循环核正则项,recurrent_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
循环核正则项L1recurrent_regularizer_l1float

循环核正则项L1,如果使用L1L2正则化,此参数有效

0
循环核正则项L2recurrent_regularizer_l2float

循环核正则项L2,如果使用L1L2正则化,此参数有效

0
自定义循环核正则项user_recurrent_regularizercode

自定义循环核正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
偏置向量正则项bias_regularizerchoice

偏置向量正则项,bias_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
偏置向量正则项L1bias_regularizer_l1float

偏置向量正则项L1,如果使用L1L2正则化,此参数有效

0
偏置向量正则项L2bias_regularizer_l2float

偏置向量正则项L2,如果使用L1L2正则化,此参数有效

0
自定义偏置向量正则项user_bias_regularizercode

自定义偏置向量正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
输出正则项activity_regularizerchoice

输出正则项,activity_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
输出正则项L1activity_regularizer_l1float

输出正则项L1,如果使用L1L2正则化,此参数有效

0
输出正则项L2activity_regularizer_l2float

输出正则项L2,如果使用L1L2正则化,此参数有效

0
自定义输出正则项user_activity_regularizercode

自定义输出正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
权值约束项kernel_constraintchoice

权值约束项,kernel_constraint,在优化过程中为网络的参数施加约束

None
自定义权值约束项user_kernel_constraintcode

自定义权值约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
循环核约束项recurrent_constraintchoice

循环核约束项,recurrent_constraint,在优化过程中为网络的参数施加约束

None
自定义循环核约束项user_recurrent_constraintcode

自定义循环核约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
偏置向量约束项bias_constraintchoice

偏置向量约束项,bias_constraint,在优化过程中为网络的参数施加约束

None
自定义偏置向量约束项user_bias_constraintcode

自定义偏置向量约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
dropoutdropoutfloat

dropout,0~1之间的浮点数,控制输入线性变换的神经元断开比例

0.0
recurrent_dropoutrecurrent_dropoutfloat

recurrent_dropout,0~1之间的浮点数,控制循环状态的线性变换的神经元断开比例

0.0
implementationimplementationchoice

implementation,0,1或2, 若为0,则RNN将以更少但是更大的矩阵乘法实现,因此在CPU上运行更快,但消耗更多的内存。如果设为1,则RNN将以更多但更小的矩阵乘法实现,因此在CPU上运行更慢,在GPU上运行更快,并且消耗更少的内存。如果设为2(仅LSTM和GRU可以设为2),则RNN将把输入门、遗忘门和输出门合并为单个矩阵,以获得更加在GPU上更加高效的实现。注意,RNN dropout必须在所有门上共享,并导致正则效果性能微弱降低。

0
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#StackedRNNCells层 (dl_layer_stackedrnncells.v1)

这是一个wrapper,用于将多个recurrent cell包装起来,使其行为类型单个cell。该层用于实现高效的stacked RNN。

使用示例

类别显示名称名称类型描述必填/默认
输入端RNN Cellcell1通用

RNN Cell

*必填
RNN Cellcell2通用

RNN Cell

None
RNN Cellcell3通用

RNN Cell

None
RNN Cellcell4通用

RNN Cell

None
输入inputs通用

输入

None
输入参数名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 数据处理

#序列窗口滚动(深度学习) (dl_convert_to_bin.v2)

使用示例

类别显示名称名称类型描述必填/默认
输入端DataSource数据input_data通用

DataSource数据

*必填
特征列表features通用

特征列表

*必填
输入参数窗口大小window_sizeint

窗口大小,滚动窗口大小,1为不滚动,只用当前一行特征

1
特征裁剪值feature_clipint

特征裁剪值

5
是否特征展开flattenbool

是否特征展开,如果为True是(window_size*feature_size,),False是(window_wize,feature_size)

True
分组滚动窗口window_along_colstr

分组滚动窗口,按window_along_col字段分组窗口滚动

instrument
输出端输出data通用

输出

# 池化层

#AveragePooling1D层 (dl_layer_averagepooling1d.v1)

对时域1D信号进行平均值池化

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数池化的窗口大小pool_sizeint

池化的窗口大小,窗口大小,pool_size,整数,池化

2
下采样因子stridesint

下采样因子,strides,整数或None,例如设2将会使得输出shape为输入的一半,若为None则默认值为pool_size

None
paddingpaddingchoice

padding

valid
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#AveragePooling2D层 (dl_layer_averagepooling2d.v1)

为空域信号施加平均值池化

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数pool_sizepool_sizestr

pool_size,代表在两个方向(竖直,水平)上的下采样因子,如取(2,2)将使图片在两个维度上均变为原长的一半。为整数意为各个维度值相同且为该数字。。长为 2 的整数列表,列表用英文逗号(,)分隔,例如 2,2

2,2
步长stridesstr

步长,strides,步长值,如果不设置,默认是pool_size。长为 2 的整数列表,列表用英文逗号(,)分隔,例如 2,2

None
padding方式paddingchoice

padding方式,padding,用于在卷积时保持边界信息。SAME方式,直接填充;VALID方式,直接计算输出

valid
通道维位置data_formatchoice

通道维位置,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#AveragePooling3D层 (dl_layer_averagepooling3d.v1)

为3D信号(空域或时空域)施加平均值池化

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数pool_sizepool_sizestr

pool_size,代表在三个维度上的下采样因子,如取(2,2,2)将使信号在每个维度都变为原来的一半长。。长为 3 的整数列表,列表用英文逗号(,)分隔,例如 2,2,2

2,2,2
步长stridesstr

步长,strides,步长值,如果不设置,默认是pool_size。长为 3 的整数列表,列表用英文逗号(,)分隔,例如 2,2,2

None
padding方式paddingchoice

padding方式,padding,用于在卷积时保持边界信息。SAME方式,直接填充;VALID方式,直接计算输出

valid
通道维位置data_formatchoice

通道维位置,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#GlobalAveragePooling1D层 (dl_layer_globalaveragepooling1d.v1)

为时域信号施加全局平均值池化

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#GlobalAveragePooling2D层 (dl_layer_globalaveragepooling2d.v1)

为空域信号施加全局最大值池化

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#GlobalMaxPooling1D层 (dl_layer_globalmaxpooling1d.v1)

对于时间信号的全局最大池化

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#GlobalMaxPooling2D层 (dl_layer_globalmaxpooling2d.v1)

为空域信号施加全局最大值池化

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#MaxPooling1D层 (dl_layer_maxpooling1d.v1)

对时域1D信号进行最大值池化。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数窗口大小pool_sizeint

窗口大小,pool_size,整数,池化

2
下采样因子stridesint

下采样因子,strides,整数或None,例如设2将会使得输出shape为输入的一半,若为None则默认值为pool_size

None
paddingpaddingchoice

padding

valid
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#MaxPooling2D层 (dl_layer_maxpooling2d.v1)

为空域信号施加最大值池化。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数pool_sizepool_sizestr

pool_size,代表在两个方向(竖直,水平)上的下采样因子,如取(2,2)将使图片在两个维度上均变为原长的一半。为整数意为各个维度值相同且为该数字。。长为 2 的整数列表,列表用英文逗号(,)分隔,例如 2,2

2,2
步长stridesstr

步长,strides,步长值,如果不设置,默认是pool_size。长为 2 的整数列表,列表用英文逗号(,)分隔,例如 2,2

None
paddingpaddingchoice

padding

valid
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#MaxPooling3D层 (dl_layer_maxpooling3d.v1)

为3D信号(空域或时空域)施加最大值池化。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数pool_sizepool_sizestr

pool_size,代表在三个维度上的下采样因子,如取(2,2,2)将使信号在每个维度都变为原来的一半长。。长为 3 的整数列表,列表用英文逗号(,)分隔,例如 2,2,2

2,2,2
步长stridesstr

步长,strides,步长值,如果不设置,默认是pool_size。长为 3 的整数列表,列表用英文逗号(,)分隔,例如 2,2,2

None
paddingpaddingchoice

padding

valid
通道维位置data_formatchoice

通道维位置,data_format,代表图像的通道维的位置,该参数是Keras 1.x中的image_dim_ordering,“channels_last”对应原本的“tf”,“channels_first”对应原本的“th”。以128x128的RGB图像为例,“channels_first”应将数据组织为(3,128,128),而“channels_last”应将数据组织为(128,128,3)。该参数的默认值是~/.keras/keras.json中设置的值,若从未设置过,则为“channels_last”。

channels_last
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 融合层

#Add层 (dl_layer_add.v1)

属于融合层。属于融合层。该层接收一个列表的同shape张量,并返回它们的和,shape不变。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入1input1通用

输入1

*必填
输入2input2通用

输入2

*必填
输入3input3通用

输入3

None
输入参数名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Average层 (dl_layer_average.v1)

属于融合层。属于融合层。该层接收一个列表的同shape张量,并返回它们的逐元素均值,shape不变。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入1input1通用

输入1

*必填
输入2input2通用

输入2

*必填
输入3input3通用

输入3

None
输入参数名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Concatenate层 (dl_layer_concatenate.v1)

该层接收一个列表的同shape张量,并返回它们的按照给定轴相接构成的向量。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入1input1通用

输入1

*必填
输入2input2通用

输入2

*必填
输入3input3通用

输入3

None
输入参数axisaxisint

axis,想接的轴

-1
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Dot层 (dl_layer_dot.v1)

点积层,属于融合层。计算两个tensor中样本的张量乘积。例如,如果两个张量a和b的shape都为(batch_size, n),则输出为形如(batch_size,1)的张量,结果张量每个batch的数据都是a[i,:]和b[i,:]的矩阵(向量)点积。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入1input1通用

输入1

*必填
输入2input2通用

输入2

*必填
输入参数axesaxesstr

axes,执行乘法的轴,用英文逗号(,)分隔的整数列表,例如 32,24

*必填
normalizenormalizebool

normalize,是否沿执行成绩的轴做L2规范化,如果设为True,那么乘积的输出是两个样本的余弦相似性。

False
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Maximum层 (dl_layer_maximum.v1)

该层接收一个列表的同shape张量,并返回它们的逐元素最大值,shape不变。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入1input1通用

输入1

*必填
输入2input2通用

输入2

*必填
输入3input3通用

输入3

None
输入参数名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Multiply层 (dl_layer_multiply.v1)

该层接收一个列表的同shape张量,并返回它们的逐元素积的张量,shape不变。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入1input1通用

输入1

*必填
输入2input2通用

输入2

*必填
输入3input3通用

输入3

None
输入参数名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#Subtract层 (dl_layer_subtract.v1)

该层接收两个同shape张量,并返回它们的逐元素差的张量,shape不变。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入1input1通用

输入1

*必填
输入2input2通用

输入2

*必填
输入参数名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 规范层

#BatchNormalization层 (dl_layer_batchnormalization.v1)

该层在每个batch上将前一层的激活值重新规范化,使其输出数据的均值接近0,其标准差接近1。

BN层的作用:加速收敛;控制过拟合,可以少用或不用Dropout和正则;降低网络对初始化权重不敏感;允许使用较大的学习率。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数需要规范化的轴axisint

需要规范化的轴,axis,指定要规范化的轴,通常为特征轴。例如在进行data_format="channels_first的2D卷积后,一般会设axis=1

-1
动量momentumfloat

动量,momentum,动态均值的动量

0.99
epsilonepsilonfloat

epsilon,大于0的小浮点数,用于防止除0错误

0.001
中心化centerbool

中心化,center,若设为True,将会将beta作为偏置加上去,否则忽略参数beta

True
规范化scalebool

规范化,scale,若设为True,则会乘以gamma,否则不使用gamma。当下一层是线性的时,可以设False,因为scaling的操作将被下一层执行。

True
beta初始化beta_initializerchoice

beta初始化,beta_initializer,本选项里的函数使用的是默认参数,如果需要使用自定义参数或者其他函数,可以选择自定义,然后在下面输入自定义函数

zeros
自定义beta初始化user_beta_initializercode

自定义beta初始化,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
gamma初始化gamma_initializerchoice

gamma初始化,gamma_initializer,本选项里的函数使用的是默认参数,如果需要使用自定义参数或者其他函数,可以选择自定义,然后在下面输入自定义函数

ones
自定义gamma初始化user_gamma_initializercode

自定义gamma初始化,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
moving_mean初始化moving_mean_initializerchoice

moving_mean初始化,moving_mean_initializer,本选项里的函数使用的是默认参数,如果需要使用自定义参数或者其他函数,可以选择自定义,然后在下面输入自定义函数

zeros
自定义moving_mean初始化user_moving_mean_initializercode

自定义moving_mean初始化,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
moving_variance初始化moving_variance_initializerchoice

moving_variance初始化,moving_variance_initializer,本选项里的函数使用的是默认参数,如果需要使用自定义参数或者其他函数,可以选择自定义,然后在下面输入自定义函数

ones
自定义moving_variance初始化user_moving_variance_initializercode

自定义moving_variance初始化,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
beta正则项beta_regularizerchoice

beta正则项,beta_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
beta正则项 L1beta_regularizer_l1float

beta正则项 L1,如果使用L1L2正则化,此参数有效

0
beta正则项 L2beta_regularizer_l2float

beta正则项 L2,如果使用L1L2正则化,此参数有效

0
自定义beta正则项user_beta_regularizercode

自定义beta正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
gamma正则项gamma_regularizerchoice

gamma正则项,gamma_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
gamma正则项 L1gamma_regularizer_l1float

gamma正则项 L1,如果使用L1L2正则化,此参数有效

0
gamma正则项 L2gamma_regularizer_l2float

gamma正则项 L2,如果使用L1L2正则化,此参数有效

0
自定义gamma正则项user_gamma_regularizercode

自定义gamma正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
beta约束项beta_constraintchoice

beta约束项,beta_constraint,在优化过程中为网络的参数施加约束。本选项里的函数使用的是默认参数,如果需要使用自定义参数或者其他函数,可以选择自定义,然后在下面输入自定义函数

None
自定义beta约束项user_beta_constraintcode

自定义beta约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
gamma约束项gamma_constraintchoice

gamma约束项,gamma_constraint,在优化过程中为网络的参数施加约束。本选项里的函数使用的是默认参数,如果需要使用自定义参数或者其他函数,可以选择自定义,然后在下面输入自定义函数

None
自定义gamma约束项user_gamma_constraintcode

自定义gamma约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#LayerNormalization层 (dl_layer_layernormalization.v1)

LayerNormalization是对输出归一化的,消除各层的covariate shift,加快收敛速度。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 高级激活层

#ELU层 (dl_layer_elu.v1)

ELU层是指数线性单元(Exponential Linera Unit),表达式为: 该层为参数化的ReLU(Parametric ReLU),表达式是:f(x) = alpha * (exp(x) - 1.) for x < 0, f(x) = x for x>=0

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数alphaalphafloat

alpha,scale for the negative factor,控制负因子的参数

1.0
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#LeakyReLU层 (dl_layer_leakyrelu.v1)

LeakyRelU是修正线性单元(Rectified Linear Unit,ReLU)的特殊版本,当不激活时,LeakyReLU仍然会有非零输出值,从而获得一个小梯度,避免ReLU可能出现的神经元“死亡”现象。即,f(x)=alpha * x for x < 0, f(x) = x for x>=0

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数alphaalphafloat

alpha,Negative slope coefficient,代表激活函数图像中第三象限线段的斜率

0.3
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#PReLU层 (dl_layer_prelu.v1)

该层为参数化的ReLU(Parametric ReLU),表达式是:f(x) = alpha * x for x < 0, f(x) = x for x>=0,此处的alpha为一个与xshape相同的可学习的参数向量。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数alpha初始化alpha_initializerchoice

alpha初始化,alpha_initializer,本选项里的函数使用的是默认参数,如果需要使用自定义参数或者其他函数,可以选择自定义,然后在下面输入自定义函数

zeros
自定义alpha初始化user_alpha_initializercode

自定义alpha初始化,示例: def bigquant_run(shape, dtype=None): from keras import backend as K return K.random_normal(shape, dtype=dtype)

默认代码
alpha正则项alpha_regularizerchoice

alpha正则项,alpha_regularizer,如果使用L1L2,可配置如下L1,L2参数

None
alpha正则项 L1alpha_regularizer_l1float

alpha正则项 L1,如果使用L1L2正则化,此参数有效

0
alpha正则项 L2alpha_regularizer_l2float

alpha正则项 L2,如果使用L1L2正则化,此参数有效

0
自定义alpha正则项user_alpha_regularizercode

自定义alpha正则项,示例: def bigquant_run(weight_matrix): from keras import backend as K return 0.01 * K.sum(K.abs(weight_matrix))

默认代码
alpha约束项alpha_constraintchoice

alpha约束项,alpha_constraint,在优化过程中为网络的参数施加约束。本选项里的函数使用的是默认参数,如果需要使用自定义参数或者其他函数,可以选择自定义,然后在下面输入自定义函数

None
自定义alpha约束项user_alpha_constraintcode

自定义alpha约束项,示例: def bigquant_run(w): from keras.constraints import max_norm return max_norm(2.)(w)

默认代码
共享轴shared_axesstr

共享轴,shared_axes,该参数指定的轴将共享同一组科学系参数,例如假如输入特征图是从2D卷积过来的,具有形如(batch, height, width, channels)这样的shape,则或许你会希望在空域共享参数,这样每个filter就只有一组参数,设定shared_axes=[1,2]可完成该目标。整数列表,列表用英文逗号(,)分隔,例如 12,34

None
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

#ThresholdedReLU层 (dl_layer_thresholdedrelu.v1)

该层是带有门限的ReLU,表达式是:f(x) = x for x > theta,f(x) = 0 otherwise。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数thetathetafloat

theta,Threshold location of activation,激活门限位置

1.0
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 自定义层

#自定义层 (dl_layer_userlayer.v1)

对于简单的定制操作,我们或许可以通过使用layers.core.Lambda层来完成。但对于任何具有可训练权重的定制层,你应该自己来实现。

这里是一个层应该具有的框架结构,要定制自己的层,你需要实现下面三个方法:
- build(input_shape):这是定义权重的方法,可训练的权应该在这里被加入列表`self.trainable_weights中。其他的属性还包括self.non_trainabe_weights(列表)和self.updates(需要更新的形如(tensor, new_tensor)的tuple的列表)。你可以参考BatchNormalization层的实现来学习如何使用上面两个属性。这个方法必须设置self.built = True,可通过调用super([layer],self).build()实现
- call(x):这是定义层功能的方法,除非你希望你写的层支持masking,否则你只需要关心call的第一个参数:输入张量
- compute_output_shape(input_shape):如果你的层修改了输入数据的shape,你应该在这里指定shape变化的方法,这个函数使得Keras可以做自动shape推断

使用示例

类别显示名称名称类型描述必填/默认
输入端输入inputs通用

输入

None
输入参数用户层定义layer_classcode

用户层定义

默认代码
名字namestr

名字, name, 可选,层的名字,在模型里不能有两个层同名。如果不指定,将自动分配名字

None
输出端输出data通用

输出

# 模型评估

#分类-评估 (metrics_classification.v1)

分类评估。输入模型结果,输出评估结果:精准率-召回率曲线、ROC-AUC、常用指标、准确率与错误率、混淆矩阵。

使用示例

类别显示名称名称类型描述必填/默认
输入端预测结果predictions通用

预测结果,提供模型预测出的分类及分类对应概率

*必填
输出端评估报告data通用

评估报告

#回归-评估 (metrics_regression.v1)

回归评估。输入模型结果,输出对于回归的评估结果。具体评估标准包括R2,MSE,MAE等。

使用示例

类别显示名称名称类型描述必填/默认
输入端预测结果predictions通用

预测结果,提供模型预测出的分类及分类对应概率

None
输入参数可解释方差权重explained_variance_scorebool

可解释方差权重,

True
平均绝对误差mean_absolute_errorbool

平均绝对误差

True
均方误差权重mean_squared_errorbool

均方误差权重

True
均方对数误差权重mean_squared_log_errorbool

均方对数误差权重

True
均方绝对误差median_absolute_errorbool

均方绝对误差

True
确定系数(r^2)权重r2_scorebool

确定系数(r^2)权重,列表类型

True
输出端评估报告report通用

评估报告

# 回测与交易

#极速回测(高频) (fastbacktest.v1)

快速回测引擎,支持高频数据快速回测。不支持模拟交易和实盘。


输入:
- input_data:输入数据,包含 date, price(价格), 和 position(仓位)


输出:
- data: DataSource,完整交易和绩效数据,可以使用 data.read_df() 读取和查看详细数据。

使用示例

类别显示名称名称类型描述必填/默认
输入端数据input_data通用

数据,必须包含price和position字段

None
输入参数报表数据显示频率report_freqstr

报表数据显示频率,s=秒,h=小时,d=天,12h表示报表按12小时做resample。用越小的周期数据越多,可能无法完全显示

1h
费率commission_ratefloat

费率:小于0.1时表示按金额比例收取,大于等于0.1时表示按手数收取

0.0001
显示回测结果图表plot_chartsbool

显示回测结果图表

True
轨迹图显示笔数tick_plot_numint

轨迹图显示笔数

20
持仓动态图显示时间数time_tick_plot_numint

持仓动态图显示时间数

200
输出端回测详细数据data通用

回测详细数据

#多策略回测 (multi_strategy_analysis.v2)

多策略组合收益分析。思想是如果策略之间相关性不是很强,将多个策略的回测结果按策略各自分配的权重进行组合。组合的目的是为了平滑资金曲线。

使用示例

类别显示名称名称类型描述必填/默认
输入端策略收益原始数据第1个 (一般自来于raw_perf_1通用

策略收益原始数据第1个 (一般自来于 :doc:module_trade 的输出的raw_perf字段)

None
策略收益原始数据第2个 (一般自来于raw_perf_2通用

策略收益原始数据第2个 (一般自来于 :doc:module_trade 的输出的raw_perf字段)

None
策略收益原始数据第3个 (一般自来于raw_perf_3通用

策略收益原始数据第3个 (一般自来于 :doc:module_trade 的输出的raw_perf字段)

None
输入参数策略收益原始数据列表 (一般自来于raw_perfscode

策略收益原始数据列表 (一般自来于 :doc:module_trade 的输出的raw_perf字段)

默认代码
每个回测结果的权重weightsstr

每个回测结果的权重

再平衡周期rebalance_periodint

再平衡周期

0
开始日期start_datestr

开始日期,默认是raw_perfs里的最小日期

None
结束日期end_datestr

结束日期,默认是raw_perfs里的最大日期

None
基准指数benchmarkstr

基准指数

000300.SHA
回调函数preparecode

回调函数,准备数据

默认代码
回调函数initializecode

回调函数,初始化函数

默认代码
回调函数before_trading_startcode

回调函数 ,策略交易单位周期开始前执行, I.code_python

默认代码
初始资金capital_basefloat

初始资金

1000000.0
自动取消无法成交订单auto_cancel_non_tradable_ordersbool

自动取消无法成交订单:是否自动取消因为停牌等原因不能成交的订单

True
回测数据频率data_frequencychoice

回测数据频率:日线 (daily),分钟线 (minute)

daily
回测价格类型price_typechoice

回测价格类型:真实价格(original),后复权(backward_adjusted)

后复权
回测产品类型product_typechoice

回测产品类型:股票(stock), 期货(future)

股票
显示回测结果图表plot_chartsbool

显示回测结果图表

True
成交率限制volume_limitfloat

成交率限制:执行下单时控制成交量参数,默认值2.5%,若设置为0时,不进行成交量检查

0.025
买入点order_price_field_buychoice

买入点:open=开盘买入,close=收盘买入

open
卖出点order_price_field_sellchoice

卖出点:open=开盘卖出,close=收盘卖出

close
回调函数handle_datacode

回调函数,策略主体逻辑函数

默认代码
用户自定义数据optionscode

用户自定义数据,在回调函数中要用到的变量,需要从这里传入,并通过 context.options 使用

默认代码
输出端回测结果原始数据raw_perf通用

回测结果原始数据

#Trade (回测/模拟) (trade.v4)

量化交易引擎。支持回测和模拟实盘交易

使用示例

类别显示名称名称类型描述必填/默认
输入端代码列表instruments通用

代码列表,如果提供了 prepare 函数,可以在 prepare 中覆盖此参数提供的值

None
其他输入数据options_data通用

其他输入数据:回测中用到的其他数据,比如预测数据、训练模型等。如果设定,在回测中通过 context.options['data'] 使用

None
回测历史数据history_ds通用

回测历史数据

None
基准数据benchmark_ds通用

基准数据,不影响回测结果

None
交易日历trading_calendar通用

交易日历

None
输入参数开始日期start_datestr

开始日期,设定值只在回测模式有效,在模拟实盘模式下为当前日期,示例:2017-06-01。一般不需要指定,使用 代码列表 里的开始日期

结束日期end_datestr

结束日期,设定值只在回测模式有效,在模拟实盘模式下为当前日期,示例:2017-06-01。一般不需要指定,使用 代码列表 里的结束日期

初始化函数initializecode

初始化函数,[回调函数] 初始化函数,整个回测中只在最开始时调用一次,用于初始化一些账户状态信息和策略基本参数,context也可以理解为一个全局变量,在回测中存放当前账户信息和策略基本参数便于会话。

默认代码
主函数handle_datacode

主函数,[回调函数] 必须实现的函数,该函数每个单位时间会调用一次, 如果按天回测,则每天调用一次,如果按分钟,则每分钟调用一次,由于我们现在数据只有日K,所以是按天回调。在回测中,可以通过对象data获取单只股票或多只股票的时间窗口价格数据。如果算法中没有schedule_function函数,那么该函数为必选函数。一般策略的交易逻辑和订单生成体现在该函数中。

默认代码
数据准备函数preparecode

数据准备函数,[回调函数] 准备数据函数,运行过程中只调用一次,在 initialize 前调用,准备交易中需要用到数据。目前支持设置交易中用到的股票列表,设置到 context.instruments。更多

默认代码
盘前处理函数before_trading_startcode

盘前处理函数,[回调函数] 每个单位时间开始前调用一次,即每日开盘前调用一次,该函数是可选函数。你的算法可以在该函数中进行一些数据处理计算,比如确定当天有交易信号的股票池。

默认代码
成交率限制volume_limitfloat

成交率限制:执行下单时控制成交量参数,默认值2.5%,若设置为0时,不进行成交量检查

0.025
买入点order_price_field_buychoice

买入点:open=开盘买入,close=收盘买入

open
卖出点order_price_field_sellchoice

卖出点:open=开盘卖出,close=收盘卖出

close
初始资金capital_basefloat

初始资金

1000000.0
自动取消无法成交订单auto_cancel_non_tradable_ordersbool

自动取消无法成交订单:是否自动取消因为停牌等原因不能成交的订单

True
回测数据频率data_frequencychoice

回测数据频率:日线 (daily),分钟线 (minute)

daily
回测价格类型price_typechoice

回测价格类型:前复权(forward_adjusted),真实价格(original),后复权(backward_adjusted)

真实价格
回测产品类型product_typechoice

回测产品类型:股票(stock), 期货(future), 期权(option), 数字货币(dcc)

股票
显示回测结果图表plot_chartsbool

显示回测结果图表

True
只在回测模式下运行backtest_onlybool

只在回测模式下运行:默认情况下,Trade会在回测和实盘模拟模式下都运行。如果策略中有多个M.trade,在实盘模拟模式下,只能有一个设置为运行,其他的需要设置为 backtest_only=True,否则将会有未定义的行为错误

False
用户自定义数据optionsdoc

用户自定义数据,在回调函数中要用到的变量,需要从这里传入,并通过 context.options 使用

None
基准代码benchmarkstr

基准代码,不影响回测结果

输出端回测详细数据raw_perf通用

回测详细数据

#TradeX(模块化回测交易) (tradex.v1)

支持函数模块化的量化交易引擎。无缝支持回测和模拟实盘交易

使用示例

类别显示名称名称类型描述必填/默认
输入端代码列表instruments通用

代码列表,如果提供了 prepare 函数,可以在 prepare 中覆盖此参数提供的值

None
回测历史数据history_ds通用

回测历史数据,如果不指定,将根据instruments从系统中读取

None
基准数据benchmark通用

基准数据,如果不指定,将使用默认的基准数据。

None
交易日历trading_calendar通用

交易日历,如果不指定,将使用默认交易日历

None
initialize处理函数initialize_functions通用

initialize处理函数

None
handle_bar处理函数handle_bar_functions通用

handle_bar处理函数

None
输入数据options_data通用

输入数据:一般用来传入策略中要用到的数据。我们建议策略用到的数据在外面批量计算完成,并通过此参数传入使用,例如模型预测数据等。如果设定,在回测中通过 context.options['data'] 使用

None
输入参数开始日期start_datestr

开始日期,设定值只在回测模式有效,在模拟实盘模式下为当前日期,示例:2017-06-01。一般不需要指定,使用 证券代码列表 里的开始日期

结束日期end_datestr

结束日期,设定值只在回测模式有效,在模拟实盘模式下为当前日期,示例:2017-06-01。一般不需要指定,使用 证券代码列表 里的结束日期

主函数handle_datacode

主函数,[回调函数] 必须实现的函数,该函数每个单位时间会调用一次, 如果按天回测,则每天调用一次,如果按分钟,则每分钟调用一次,由于我们现在数据只有日K,所以是按天回调。在回测中,可以通过对象data获取单只股票或多只股票的时间窗口价格数据。如果算法中没有schedule_function函数,那么该函数为必选函数。一般策略的交易逻辑和订单生成体现在该函数中。

默认代码
数据准备函数preparecode

数据准备函数,[回调函数] 准备数据函数,运行过程中只调用一次,在 initialize 前调用,准备交易中需要用到数据。目前支持设置交易中用到的股票列表,设置到 context.instruments。更多

默认代码
初始化函数initializecode

初始化函数,[回调函数] 初始化函数,整个回测中只在最开始时调用一次,用于初始化一些账户状态信息和策略基本参数,context也可以理解为一个全局变量,在回测中存放当前账户信息和策略基本参数便于会话。

默认代码
盘前处理函数before_trading_startcode

盘前处理函数,[回调函数] 每个单位时间开始前调用一次,即每日开盘前调用一次,该函数是可选函数。你的算法可以在该函数中进行一些数据处理计算,比如确定当天有交易信号的股票池。

默认代码
成交率限制volume_limitfloat

成交率限制:执行下单时控制成交量参数,默认值2.5%

0.025
买入点order_price_field_buychoice

买入点:open=开盘买入,close=收盘买入

open
卖出点order_price_field_sellchoice

卖出点:open=开盘卖出,close=收盘卖出

close
初始资金capital_basefloat

初始资金

1000000.0
自动取消无法成交订单auto_cancel_non_tradable_ordersbool

自动取消无法成交订单:是否自动取消因为停牌等原因不能成交的订单

True
回测数据频率data_frequencychoice

回测数据频率:日线 (daily),分钟线 (minute)

daily
回测价格类型price_typechoice

回测价格类型:前复权(forward_adjusted),真实价格(original),后复权(backward_adjusted)

真实价格
回测产品类型product_typechoice

回测产品类型:股票(stock), 期货(future), 期权(option), 数字货币(dcc)

股票
显示回测结果图表plot_chartsbool

显示回测结果图表

True
只在回测模式下运行backtest_onlybool

只在回测模式下运行:默认情况下,Trade会在回测和实盘模拟模式下都运行。如果策略中有多个M.trade,在实盘模拟模式下,只能有一个设置为运行,其他的需要设置为 backtest_only=True,否则将会有未定义的行为错误

False
用户自定义数据optionsdoc

用户自定义数据,在回调函数中要用到的变量,需要从这里传入,并通过 context.options 使用

None
输出端回测详细数据raw_perf通用

回测详细数据

# 初始化函数

#设置手续费 (trade_func_set_commission.v1)

设置手续会,如果不设置,则使用默认的

使用示例

类别显示名称名称类型描述必填/默认
输入端前置处理函数input_functions通用

前置处理函数

None
输入参数收费模式modechoice

收费模式

订单/PerOrder
买入成本buy_costfloat

买入成本,成交额的比例,PerOrder/PerTrade/PerShare都要使用此参数

0.0003
卖出成本sell_costfloat

卖出成本,成交额的比例

0.0013
最小成本min_costfloat

最小成本,绝对值

5
输出端函数functions通用

函数

#设置最大杠杆限制 (trade_func_set_max_leverage.v1)

设置资金使用的最大杠杠限制,e.g. 设置最大杠杆限制为2,实际资金是100w,将可以买入200w的股票。一般用于期货或者股票+对冲等策略。需注意正确使用

使用示例

类别显示名称名称类型描述必填/默认
输入端前置处理函数input_functions通用

前置处理函数

None
输入参数最大杠杆限制max_leveragefloat

最大杠杆限制,e.g. 设置最大杠杆限制为2,实际资金是100w,将可以买入200w的股票。一般用于期货或者股票+对冲等策略。需注意正确使用

1
输出端函数functions通用

函数

# 交易函数

#按排序买入 (trade_func_buy_by_rank.v1)

根据排序买入。排序数据从 context.options['data'] 读取。
总买入资金由 context.curr_data['buy_target_percent'] 确定:None表示跳过,cash

使用示例

类别显示名称名称类型描述必填/默认
输入端前置处理函数input_functions通用

前置处理函数

None
输入参数权重模式modechoice

权重模式,等权重:等权重购买;对数权重:1/log2(position+bias);倒数权重:1/(position+bias)

对数权重
biasbiasfloat

bias,权重参数 bias

2
股票数量stock_countint

股票数量,买入股票数量

5
单位对齐unitint

单位对齐,例如100表示整百股(A股的1手)下单,0表示不限制

0
每只股票最大仓位max_position_per_instrumentfloat

每只股票最大仓位

0.1
输出端函数functions通用

函数

#在第一天买入 (trade_func_buy_on_first_trading_day.v1)

只在第一天买入指定的股票

使用示例

类别显示名称名称类型描述必填/默认
输入端前置处理函数input_functions通用

前置处理函数

None
输入参数买入证券代码instrumentsstr

买入证券代码,多个代码用英文逗号分隔

*必填
仓位比例positionsstr

仓位比例,多个比例用英文逗号分隔,其和不能超过1

1
输出端函数functions通用

函数

#自定义买入 (trade_func_customized_buy.v1)

用户自定义买入函数

使用示例

类别显示名称名称类型描述必填/默认
输入端前置处理函数input_functions通用

前置处理函数

None
input_1input_1通用

input_1

None
input_2input_2通用

input_2

None
输入参数买入函数funccode

买入函数

默认代码
param_1param_1str

param_1

param_2param_2str

param_2

param_3param_3str

param_3

输出端函数functions通用

函数

#自定义卖出 (trade_func_customized_sell.v1)

用户自定义卖出函数

使用示例

类别显示名称名称类型描述必填/默认
输入端前置处理函数input_functions通用

前置处理函数

None
input_1input_1通用

input_1

None
input_2input_2通用

input_2

None
输入参数卖出函数funccode

卖出函数

默认代码
param_1param_1str

param_1

param_2param_2str

param_2

param_3param_3str

param_3

输出端函数functions通用

函数

#平衡对冲仓位 (trade_func_rebalance_hedge.v1)

根据给定的证券代码,对冲其他证券持仓

使用示例

类别显示名称名称类型描述必填/默认
输入端前置处理函数input_functions通用

前置处理函数

None
输入参数用于对冲的证券代码instrumentsstr

用于对冲的证券代码,多个代码用英文逗号分隔

*必填
仓位比例positionsstr

仓位比例,相对于多头持仓价值,多个比例用英文逗号分隔

1
输出端函数functions通用

函数

#调仓管理 (trade_func_rebalance_manage.v1)

调仓周期。
输出:context.curr_data['buy_target_percent']和context.curr_data['sell_target_percent']

使用示例

类别显示名称名称类型描述必填/默认
输入端前置处理函数input_functions通用

前置处理函数

None
输入参数模式modechoice

模式,滚动:每天调仓,在给定周期轮完成一轮;固定:每给定周期的一天完成调仓

滚动
周期periodint

周期,调仓周期

5
输出端函数functions通用

函数

#卖出全部持仓 (trade_func_sell_all_positions.v1)

每次调仓,平掉当前已有持仓。此模块会忽略 context.curr_data['sell_target_percent']。

使用示例

类别显示名称名称类型描述必填/默认
输入端前置处理函数input_functions通用

前置处理函数

None
输出端函数functions通用

函数

#按持仓时间卖出 (trade_func_sell_by_hold_days.v1)

每次调仓,卖出持有时间超过指定日期的证券。一般用于固定时间持仓策略。

使用示例

类别显示名称名称类型描述必填/默认
输入端前置处理函数input_functions通用

前置处理函数

None
输入参数持仓时间hold_daysint

持仓时间,卖出持有超过此天数(>=)的证券,0表示使用调仓周期

0
输出端函数functions通用

函数

#按排序卖出 (trade_func_sell_by_rank.v1)

根据排序卖出。排序数据从 context.options['data'] 读取。
总买入资金由 context.curr_data['sell_target_percent'] 确定:None表示跳过,cash

使用示例

类别显示名称名称类型描述必填/默认
输入端前置处理函数input_functions通用

前置处理函数

None
输出端函数functions通用

函数

# 量化分析

#Brinson绩效归因 (Brinson.v7)

Brinson绩效归因,用于回测结果分析。将投资组合的收益分解到择时timing、选股selection、其他other、超额excess四个维度。模块返回区间收益归因图。

使用示例

类别显示名称名称类型描述必填/默认
输入端回测详细数据backtest_ds通用

回测详细数据

None
输入参数策略基准benchmarkstr

策略基准, 默认为沪深300

000300.HIX
输出端绩效归因perf_attribution通用

绩效归因

#最近N日绩效评估 (N_days_performance_statistics.v5)

根据策略回测曲线,统计近期绩效指标。

使用示例

类别显示名称名称类型描述必填/默认
输入端回测详细数据backtest_ds通用

回测详细数据

None
输入参数N日绩效指标评估Nint

N日绩效指标评估,默认为5

5
输出端N日绩效指标evaluation_of_perf_indicator通用

N日绩效指标

N日阶段收益率分析analysis_of_stage_return_rat通用

N日阶段收益率分析

#经典组合优化器 (classical_portfolio_optimizer.v6)

投资组合管理者在设定了投资收益预期、风险预算、相关约束和风险模型之后, 依托优化器的快速计算优势,得到资产配置最优化结果。优化器模块可以基于选定的目标函数,输出优化后的投资权重调整建议。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入用于优化的股票代码列表input_1通用

输入用于优化的股票代码列表,dict格式,具体样例

None
输入参数股票代码列表(可选)symbolscode

股票代码列表(可选),单独使用该模块时(即无输入)用于优化的股票代码列表

默认代码
开始日期datestr

开始日期,只在无输入时使用

2018-01-01
权重之和weight_sumfloat

权重之和

1
权重上限upper_weightfloat

权重上限

0.3
权重下限lower_weightfloat

权重下限

0.01
优化时间段before_start_daysint

优化时间段,数据向前取的天数

252
优化目标targetchoice

优化目标,组合目标

风险平价
若优化失败return_equal_weight_if_failbool

若优化失败,返回等权重结果,如果失败是否返回等权重结果

True
输出端经典组合优化器输出结果data_1通用

经典组合优化器输出结果

#每日持仓分析 (daily_position_analysis.v6)

用于回测结果分析。分析每日持仓股票的行业分布和数量分布。输出持仓行业市值和top10持仓的股票。

使用示例

类别显示名称名称类型描述必填/默认
输入端回测详细数据backtest_ds通用

回测详细数据

None
输出端每日各行业市值(申万一级)industry_market_value_daily通用

每日各行业市值(申万一级)

每日的top10持仓top10_positions通用

每日的top10持仓

#单因子分析 (single_factor_analysis.v4)

单因子分析,单独使用。输出因子暴露月分布图、因子暴露时序分析、因子相关性分析、因子行业分布、因子IC分析、因子分组收益、多空组合收益、因子收益t检验等。

使用示例

类别显示名称名称类型描述必填/默认
输入参数因子名factorstr

因子名

market_cap_0
开始日期start_datestr

开始日期

2018-01-01
结束日期end_datestr

结束日期

2018-10-31
输出端单因子分析结果data通用

单因子分析结果

#因子收益及风险分析 (strategy_ret_risk_analysis.v1)

因子收益及风险分析.

使用示例

类别显示名称名称类型描述必填/默认
输入端回测详细数据backtest_ds通用

回测详细数据

None
输出端因子收益及风险分析分析结果data通用

因子收益及风险分析分析结果

# 策略池

#添加策略 (strategy_pool_add.v1)

记录策略结果到我的策略池。
此模块只在回测模式下运行。

使用示例

类别显示名称名称类型描述必填/默认
输入端回测结果raw_perf_ds通用

回测结果

*必填
输入参数策略组groupstr

策略组,用于区分不同的实验组,一般策略实验分组完成,便于后续策略分析和研究。可以为任意字符串。

测试
策略模版templatestr

策略模版,用于记录本次实验所有策略基础。主要用于记录和后续策略进一步开发中的使用。可以为任意字符串。

默认AI可视化股票模版
策略参数paramscode

策略参数,用于记录此策略完整的参数,在获取策略详情时返回。一般用于单个策略分析或者配置策略模版,用于重构策略。可以为任意类型数据。

默认代码
简版策略参数lite_paramscode

简版策略参数,部分策略参数,在获取策略列表的时候即可以返回,一般用于策略组批量分析。可以为任意类型数据。

默认代码
简版策略绩效字段lite_perf_fieldsstr

简版策略绩效字段,部分绩效数据字段,在获取策略列表的时候即可以返回,一般用于策略组批量分析。多个字段用英文逗号分割

algorithm_period_return
其他数据extracode

其他数据。可以用来保存模型信息、预测等。可以为任意类型数据。

默认代码
输出端策略池策略idstrategy_id通用

策略池策略id

#策略池转换为交易数据 (strategy_pool_convert_to_trade_data.v1)

将策略池数据转换为可以用于回测交易模块的数据,用于后续组合多个策略的分析和测试。

使用示例

类别显示名称名称类型描述必填/默认
输入端策略列表数据strategies通用

策略列表数据

None
输出端用于回测交易的OHLCVA数据data通用

用于回测交易的OHLCVA数据

用于回测交易的证券代码列表instruments通用

用于回测交易的证券代码列表

#策略详情 (strategy_pool_get.v1)

从我的策略池获取策略,用于后续分析。

使用示例

类别显示名称名称类型描述必填/默认
输入参数策略idstrategy_idstr

策略id

*必填
显示回测结果图表plot_chartsbool

显示回测结果图表

True
输出端策略数据data通用

策略数据

回测结果raw_perf通用

回测结果

#策略列表 (strategy_pool_list.v1)

从我的策略池获取策略列表,用于后续分析。

使用示例

类别显示名称名称类型描述必填/默认
输入参数策略组groupstr

策略组,获取指定策略组的所有策略

策略id列表strategy_idsstr

策略id列表,根据策略id列表获取策略。如果设置此参数,策略组参数将被忽略。多个id用英文逗号分割

随机数rand_seedint

随机数,如果策略组数据更新了,模块仍然可能获取的是缓存的旧数据,可以更改此随机id来获取最新数据

123
输出端策略列表或者分析结果data通用

策略列表或者分析结果

# 高级优化

设置超参数范围和评分函数,自动进行网格搜索。

使用示例

类别显示名称名称类型描述必填/默认
输入端graphbq_graph_port通用

graph,可以重写全局传入的graph

None
输入1input_1通用

输入1,run函数参数inputs的第1个元素

None
输入2input_2通用

输入2,run函数参数inputs的第2个元素

None
输入3input_3通用

输入3,run函数参数inputs的第3个元素

None
输入参数超参数输入param_grid_buildercode

超参数输入,构建需要搜索的超参数列表

默认代码
评分函数scoringcode

评分函数

默认代码
参数搜索算法search_algorithmchoice

参数搜索算法

网格搜索
搜索迭代次数search_iterationsint

搜索迭代次数,用于随机搜索

10
并行运行作业数workersint

并行运行作业数,会员可以使用更多的并行作业,请联系微信客服 bigq100 开通

1
作业分布式运行worker_distributed_runbool

作业分布式运行,在集群里分布式运行参数搜索作业

True
不显示作业日志worker_silentbool

不显示作业日志,如果作业日志太多,可以选择不显示

True
如果不勾选run_nowbool

如果不勾选,此模块不会即时执行,并将当前行为打包为graph传入到后续模块执行

True
bq_graphbq_graphbool

bq_graph,用于接收全局传入的graph,用户设置值无效

True
输出端结果result通用

结果

#滚动训练 (hyper_rolling_train.v1)

滚动训练模块可以实现训练集和测试集的定期更新轮换。在金融市场中,市场结构是时常变化的,因此模型需要不断训练,这也是滚动训练的出发点。一般而言,是随着时间的推移按固定的时间定期训练模型,比如训练集为2年时间,预测集为1年,模型更新时间为1年。那么由2010-2011年的数据训练出的模型在2012年数据上预测,由2011-2012年训练的模型在2013年数据上预测,依次类推,最后把每次预测的数据拼接起来,进行回测验证。

使用示例

类别显示名称名称类型描述必填/默认
输入端graphbq_graph_port通用

graph,可以重写全局传入的graph

None
输入1input_1通用

输入1,run函数参数inputs的第1个元素

None
输入1input_2通用

输入1,run函数参数inputs的第2个元素

None
输入1input_3通用

输入1,run函数参数inputs的第3个元素

None
输入参数run函数runcode

run函数

默认代码
即时执行run_nowbool

即时执行,如果不勾选,此模块不会即时执行,并将当前行为打包为graph传入到后续模块执行

True
bq_graphbq_graphbool

bq_graph,用于接收全局传入的graph,用户设置值无效

True
输出端结果result通用

结果

#自定义运行 (hyper_run.v1)

自定义运行,可以在这里批量设置参数,批量运行,比如对某因子池进行单个因子验证,比如对训练模块学习率在某个范围按一定步长单个测试验证。该模块也可结合超参数调优、滚动训练等场景使用。

使用示例

类别显示名称名称类型描述必填/默认
输入端graphbq_graph_port通用

graph,可以重写全局传入的graph

None
输入1input_1通用

输入1,run函数参数inputs的第1个元素

None
输入2input_2通用

输入2,run函数参数inputs的第2个元素

None
输入3input_3通用

输入3,run函数参数inputs的第3个元素

None
输入参数run函数runcode

run函数

默认代码
即时执行run_nowbool

即时执行,如果不勾选,此模块不会即时执行,并将当前行为打包为graph传入到后续模块执行

True
bq_graphbq_graphbool

bq_graph,用于接收全局传入的graph,用户设置值无效

True
输出端结果result通用

结果

# 自定义模块

#自定义Python模块 (cached.v3)

使用示例

类别显示名称名称类型描述必填/默认
输入端输入1input_1通用

输入1,传入到函数的参数 input_1

None
输入2input_2通用

输入2,传入到函数的参数 input_2

None
输入3input_3通用

输入3,传入到函数的参数 input_3

None
输入参数主函数runcode

主函数,返回Outputs对象

默认代码
后处理函数post_runcode

后处理函数,输入是主函数的输出,此函数输出不会被缓存

默认代码
模块输入端input_portsstr

模块输入端,另存为模块时使用,示例input1,input2...

模块参数paramscode

模块参数,字典形式,给出参数的值。比如{'param1':1,'param2':2}

默认代码
模块输出端output_portsstr

模块输出端,另存为模块时使用,示例data1,data2...

主函数参数kwargsdoc

主函数参数,run的参数,如果函数接受参数 input_1/2/3,如上的 input_1/2/3也将被加入到此参数里。在可视化模式下,只有参数 input_1/2/3 可用。

None
输出端输出1data_1通用

输出1,对应函数输出的 data_1

输出2data_2通用

输出2,对应函数输出的 data_2

输出3data_3通用

输出3,对应函数输出的 data_3

# 数据可视化

#绘制DataFrame (plot_dataframe.v1)

绘制DataFrame。该绘图函数拥有更友好的交互体验和更强大的绘图功能,更多详情

使用示例

类别显示名称名称类型描述必填/默认
输入端数据input_data通用

数据

*必填
输入参数标题titlestr

标题

图表类型chart_typechoice

图表类型

line
x轴数据字段xstr

x轴数据字段,如果不指定,默认用index

y轴数据字段ystr

y轴数据字段,如果不指定,使用x轴外的所有字段,多个字段用英文逗号分隔

自定义参数optionscode

自定义参数,例如 {'chart': {'height': 500}},参考Highcharts文档

默认代码
绘制蜡烛图candlestickbool

绘制蜡烛图,需要输入数据有 open、high、low、close四列

False
分栏1pane_1str

分栏1,用于将输入分为多个栏显示,这里输入访问本栏的字段,多个字段用英文逗号分隔,可以在最后添加一个栏的百分比高度,e.g. close,high,70%

分栏2pane_2str

分栏2,用于将输入分为多个栏显示,这里输入访问本栏的字段,多个字段用英文逗号分隔,可以在最后添加一个栏的百分比高度,e.g. close,high,70%

分栏3pane_3str

分栏3,用于将输入分为多个栏显示,这里输入访问本栏的字段,多个字段用英文逗号分隔,可以在最后添加一个栏的百分比高度,e.g. close,high,70%

分栏4pane_4str

分栏4,用于将输入分为多个栏显示,这里输入访问本栏的字段,多个字段用英文逗号分隔,可以在最后添加一个栏的百分比高度,e.g. close,high,70%

#分位数分布 (plot_percentiles.v1)

技术和绘制数据分位数分布。

使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据源input_data通用

输入数据源

*必填
输入参数选中列include_columnsstr

选中列,多个列名用英文逗号分隔,默认所有列

分位数数量percentile_countint

分位数数量

100
起始分位percentile_startfloat

起始分位

0.0
结束起始分位percentile_endfloat

结束起始分位

1.0
输出端数据data通用

数据

# 用户模块

#DQN_model (DQN_model.v9)

开发者: iquant | 使用示例

类别显示名称名称类型描述必填/默认
输入端训练集数据data通用

训练集数据

*必填
测试集数据data_2通用

测试集数据

*必填
输出端预测结果data_1通用

预测结果

#DQN_v2 (DQN_v2.v3)

开发者: iquant | 使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据input_1通用

训练数据

*必填
测试数据input_2通用

测试数据

*必填
输入参数batch_sizebatch_sizeint

batch_size

32
window_sizewindow_sizeint

window_size

5
total_episodetotal_episodeint

total_episode

5
epsilon_decayepsilon_decayfloat

epsilon_decay

0.995
learning_ratelearning_ratefloat

learning_rate

0.01
gammagammafloat

gamma

0.95
输出端预测结果data_1通用

预测结果

#Datasys (Datasys.v1)

封装一个bigquant数据获取类

开发者: stock | 使用示例

类别显示名称名称类型描述必填/默认
输入端获取收盘价input_pice_data通用

获取收盘价

*必填
获取财务数据input_df_data通用

获取财务数据

*必填
获取指数成份股标记input_index_data通用

获取指数成份股标记

*必填
获取m2数据input_m2_data通用

获取m2数据

*必填
获取十年国债数据input_debt_data通用

获取十年国债数据

*必填
输出端输出一个对象data通用

输出一个对象

#Datasys2 (Datasys2.v7)

数据提取及处理,提供数据调用接口

开发者: helman | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_pice_datainput_pice_data通用*必填
input_fs_datainput_fs_data通用*必填
input_index_datainput_index_data通用*必填
input_m2_datainput_m2_data通用*必填
input_debt_datainput_debt_data通用*必填
输出端datadata通用

#当日涨停跌停k日最高 (Find_the_top_stocks.v2)

寻找涨停跌停二十日最高最低的股票

开发者: xiaoyudu | 使用示例

类别显示名称名称类型描述必填/默认
输入端数据input_1通用

数据

*必填
查询日期input_2通用

查询日期

*必填
k日input_3通用

k日

*必填
输出端一个字典(四张表)data_1通用

一个字典(四张表)

#遗传规划模型预测(GP) (GP_predict.v1)

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端GP训练模型input_1通用

GP训练模型

*必填
训练因子列表input_2通用

训练因子列表

*必填
验证集数据input_3通用

验证集数据

*必填
输出端预测结果data_1通用

预测结果

#当日行情数据获取 (Get_Data.v7)

获取当天和前n天的股票市场数据

开发者: xiaoyudu | 使用示例

类别显示名称名称类型描述必填/默认
输入参数todaytodaystr2018-01-08
kkint300
输出端股票统计所需行情数据data_1通用

股票统计所需行情数据

查询日期data_2通用

查询日期

回溯天数data_3通用

回溯天数

#获取SW宏源行业收益率数据 (Get_Industry_return.v5)

用于获取所以申万行业的收益率数据表

开发者: xiaoyudu | 使用示例

类别显示名称名称类型描述必填/默认
输入端查询日期today通用

查询日期

*必填
输入参数n日收益率n_dayint

n日收益率

1
输出端行业收益率表data_1通用

行业收益率表

#Get_industry_index_return (Get_industry_index_return.v1)

Calculate the n_days return for all SW indexes

开发者: xiaoyudu | 使用示例

类别显示名称名称类型描述必填/默认
输入端Datasource contains the industry indexesinput_1通用

Datasource contains the industry indexes

*必填
输入参数Start datestart_datestr

Start date

2018-01-01
End dateend_datestr

End date

2018-10-01
N days return you want to getn_daysstr

N days return you want to get

5
输出端datadata通用

#HS300Trade_signal (HS300Trade_signal.v21)

生成交易信号

开发者: helman | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填
输出端data_1data_1通用

#指数构建 (Index_construct.v3)

根据股票权重的DataFame构建指数,股票列名为instrument,起止时间为DataFame决定

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入股票权重数据input_1通用

输入股票权重数据

*必填
输入参数指定权重列名weight_columnstr

指定权重列名

w
指定图名titlestr

指定图名

指数阶段走势
输出端输出数据data_1通用

输出数据

#Industry_Sta (Industry_Sta.v1)

Show the statistis of industry

开发者: xiaoyudu | 使用示例

类别显示名称名称类型描述必填/默认
输入端The raw datainput_1通用

The raw data

*必填
输入参数The day you want to see the industrydate_str

The day you want to see the industry

2018-08-17
The number of industriesnstr

The number of industries

5
The best or the worsttype_str

The best or the worst

Desc
输出端datadata通用

#行业当日最(高/低) (Industry_top_stocks.v8)

给定行业,找出在给定日期内收益率最高(Desc)或最低(Asc)的股票

开发者: xiaoyudu | 使用示例

类别显示名称名称类型描述必填/默认
输入端查询日期input_1通用

查询日期

*必填
输入参数查询百分比portfloat

查询百分比

0.1
行业代码Codeint

行业代码

410000
排列方式type1str

排列方式

Desc
n日收益率nint

n日收益率

10
输出端数据data_1通用

数据

日期data_2通用

日期

排序方式data_3通用

排序方式

#中性化处理 (Neutral.v1)

数据中性化处理

开发者: polll | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填
输入参数因子名cstr

因子名

*必填
是否需要市值中性化?mstr

是否需要市值中性化?

0
是否需要行业中性化?istr

是否需要行业中性化?

0
输出端data_1data_1通用

#RobustScaler (RobustScaler.v13)

标准化或者归一化,可以按天或者全局

开发者: brantyz | 使用示例

类别显示名称名称类型描述必填/默认
输入端train_dstrain_ds通用*必填
featuresfeatures通用*必填
test_dstest_ds通用*必填
输入参数scale_typescale_typechoicestandard
quantile_range_minquantile_range_minfloat0.01
quantile_range_maxquantile_range_maxfloat0.99
global_scaleglobal_scaleboolTrue
输出端train_datatrain_data通用
test_datatest_data通用

#RobustScaler_debug (RobustScaler_debug.v2)

开发者: zybzzc | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用

input_1

*必填
input_2input_2通用

input_2

*必填
input_3input_3通用

input_3

*必填
输入参数scale_typescale_typechoice

scale_type

standard
quantile_range_minquantile_range_minint

quantile_range_min

1
quantile_range_maxquantile_range_maxint

quantile_range_max

99
输出端data_1data_1通用

data_1

data_2data_2通用

data_2

data_3data_3通用

data_3

#展示行业行情排序 (Show_industry_rank.v3)

开发者: xiaoyudu | 使用示例

类别显示名称名称类型描述必填/默认
输入端查询日期input_1通用

查询日期

*必填
行业收益率数据input_2通用

行业收益率数据

*必填
输入参数type1type1strAsc
n1n1int5
输出端排序数据data_1通用

排序数据

排序方式data_2通用

排序方式

展示数量data_3通用

展示数量

#StockRanker预测结果分组回测 (StockRanker_grouptest.v3)

根据StockRanker预测排序分五组进行简易回测并展示各组净值曲线

开发者: tmao1996 | 使用示例

类别显示名称名称类型描述必填/默认
输入端预测集证券代码列表input_1通用

预测集证券代码列表

*必填
StockRanker预测结果input_2通用

StockRanker预测结果

*必填
预测集缺失值处理数据input_3通用

预测集缺失值处理数据

*必填
输入参数指定收益率列名ret_columnstr

指定收益率列名

shift(close_0,-22)/close_0-1
指定换仓周期Nint

指定换仓周期

22

#TiChuChuangYeBan (TiChuChuangYeBan.v1)

开发者: ruinao123 | 使用示例

类别显示名称名称类型描述必填/默认

#Top_stocks (Top_stocks.v1)

开发者: xiaoyudu | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填
输入参数portportstr0.1
CodeCodestr340000
type1type1strDesc
date1date1str2018-05-02
date2date2str2018-05-18
输出端data_1data_1通用

#T.plot绘图 (Tplot.v1)

使用T.plot命令绘图

开发者: iquant | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_ds通用

输入数据

*必填
输入参数指定x轴列名xstr

指定x轴列名

date
指定y轴列名ystr

指定y轴列名,多列之间逗号分隔

open,high,low,close
指定图名titlestr

指定图名

折线图
指定类型chart_typechoice

指定类型

scatter
自定义选项设置chart_optionscode

自定义选项设置

默认代码

#过滤模块 (aa.v5)

过滤st股票,退市股票,科创板股票,新上市股票(day_number可选上市多少天)

开发者: blsn | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_data通用

输入数据

*必填
输入参数新上市股票过滤天数day_numberint

新上市股票过滤天数

100
输出端输出数据data通用

输出数据

#alfred0011 (alfred001.v1)

开发者: alfred1993 | 使用示例

类别显示名称名称类型描述必填/默认

#analysis_v1 (analysis_v1.v1)

开发者: fate | 使用示例

类别显示名称名称类型描述必填/默认
输入参数factorfactorstrmarket_cap_0
NNint10
is_industryis_industryboolTrue
is_marketis_marketbool*必填
start_datestart_datestr2018-01-01
end_dataend_datastr2018-12-31
输出端data_1data_1通用
回归法分析结果data_2通用

回归法分析结果

分层回测法分析结果data_3通用

分层回测法分析结果

#backtest_csv (backtest_csv.v4)

回测记录生成csv文件

开发者: anzaixiu | 使用示例

类别显示名称名称类型描述必填/默认
输入端回测模块结果input_1通用

回测模块结果

*必填
输入参数保存的csv文件名称namestr

保存的csv文件名称

交易记录

#分钟数据批量获取 (batch_get_minute_price.v8)

分钟数据批量获取

使用示例

类别显示名称名称类型描述必填/默认
输入参数证券代码instrumentscode

证券代码,空列表会默认转化为全市场股票列表

默认代码
开始时间start_timestr

开始时间,具体到分钟

2019-07-15 9:00
结束时间end_timestr

结束时间,具体到分钟

2019-07-19 14:30
输出端data_1data_1通用

#bzhmk (bzhmk.v1)

开发者: focus777 | 使用示例

类别显示名称名称类型描述必填/默认

#calu_tim (calu_tim.v4)

开发者: lylelai | 使用示例

类别显示名称名称类型描述必填/默认
输入端last_limeinput_1通用

last_lime

*必填
执行顺序input_2通用

执行顺序

*必填
输出端now_timedata_1通用

now_time

执行顺序data_2通用

执行顺序

#calu_time (calu_time1.v2)

开发者: itsatest | 使用示例

类别显示名称名称类型描述必填/默认
输入参数todaytodaystr2018-01-08
kkint300
输出端data_1data_1通用
data_2data_2通用
data_3data_3通用

#calu_time_v1 (calu_time_v1.v5)

开发者: itsatest | 使用示例

类别显示名称名称类型描述必填/默认
输入端last_timeinput_1通用

last_time

*必填
输出端now_timedata_1通用

now_time

#calu_time (calu_time_v2.v4)

开发者: itsatest | 使用示例

类别显示名称名称类型描述必填/默认
输入端last_timeinput_1通用

last_time

*必填
执行顺序input_2通用

执行顺序

*必填
输出端now_timedata_1通用

now_time

执行顺序data_2通用

执行顺序

#change_columns (change_columns.v1)

改变列名

开发者: lpl22 | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_dsinput_ds通用*必填
输入参数columnscolumnsstradjust_factor:new_adjust_factor|rank_return_0/rank_return_5:return_change_5
输出端datadata通用

#列值过滤 (col_value_filter.v1)

输入两个DataFrame 指定列名,根据第一个DataFrame的列值过滤第二个DataFrame

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端条件列所在DataFrameinput_1通用

条件列所在DataFrame

*必填
需要过滤的DataFrameinput_2通用

需要过滤的DataFrame

*必填
输入参数指定过滤的列名columnstr

指定过滤的列名

instrument
输出端输出数据data通用

输出数据

#备注 (comments.v1)

用于信息备注。什么都不做

开发者: jliang | 使用示例

类别显示名称名称类型描述必填/默认

#concat_data (concat_data.v1)

开发者: yingke | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填
input_2input_2通用*必填
input_3input_3通用*必填
input_4input_4通用*必填
input_5input_5通用*必填

#拼接数据 (concat_inputs.v4)

拼接多个数据源的输入数据

开发者: jliang | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填
input_2input_2通用*必填
input_3input_3通用*必填
input_4input_4通用*必填
输入参数排序sort_bystr

排序,如果指定,则对拼接后的数据排序,多个列用英文逗号分隔

''
输出端datadata通用

#csv_read (csv_read.v3)

csv文件读取,转换成DataSource

开发者: outside | 使用示例

类别显示名称名称类型描述必填/默认
输入参数csv_pathcsv_pathstr*必填
encodingencodingstrutf-8
输出端datadata通用

#custom_test (custom_test.v2)

custom_test just for test

开发者: robertfeng | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_dsinput_ds通用

input_ds

*必填
输出端datadata通用

data

#data_label (data_label.v1)

自定义数据标注

开发者: fate | 使用示例

类别显示名称名称类型描述必填/默认

#日期增加天数 (date_add_days.v2)

给数据集的日期列,增加指定天数,一般用于数据复制,通过修改date来改变id

开发者: jliang | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_dsinput_ds通用*必填
输入参数增加的天数add_daysfloat

增加的天数

1
日期列名date_column_namestr

日期列名

"date"
输出端datadata通用

#ddr11 (ddr11.v2)

开发者: ddr | 使用示例

类别显示名称名称类型描述必填/默认
输入端factorfactor通用*必填
输入参数windowwindowint5
buy_sel_rankbuy_sel_rankchoice[4, 6]
fieldfieldstrgxl
ascascbool*必填

#ddr6 (ddr6.v1)

开发者: ddr | 使用示例

类别显示名称名称类型描述必填/默认
输入端factorfactor通用*必填
输入参数windowwindowint5
buy_sel_rankbuy_sel_rankchoice['4', '6']
fieldfieldstrgxl
ascascbool*必填

#ddr7 (ddr7.v1)

开发者: ddr | 使用示例

类别显示名称名称类型描述必填/默认
输入端factorfactor通用*必填
输入参数windowwindowint5
buy_sel_rankbuy_sel_rankchoice4
fieldfieldstrgxl
ascascbool*必填

#ddr_test3 (ddr_test3.v1)

开发者: ddr | 使用示例

类别显示名称名称类型描述必填/默认
输入端factorfactor通用*必填
输入参数windowwindowint5
buy_sel_rankbuy_sel_rankchoice4
fieldfieldstrgxl
ascascbool*必填

#debt_data (debt_data.v3)

导入本地的十年国债利率数据

开发者: helman | 使用示例

类别显示名称名称类型描述必填/默认
输出端data_1data_1通用

#绘制DataFrame基础统计信息 (df_stastic.v6)

绘制DataFrame各列均值、方差、协方差热力图、相关系数热力图,可以指定/排除参与统计的列名

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入DataFrameinput_1通用

输入DataFrame

*必填
输入参数指定列填0 排除列填1type_numint

指定列填0 排除列填1

1
指定/排除参与统计的列名columnscode

指定/排除参与统计的列名

默认代码

#保存csv文件 (df_to_csv.v2)

将DataFrame保存为csv文件

开发者: hxjj001 | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入csvinput_1通用

输入csv

*必填
输入参数指定文件名namestr

指定文件名

xxx.csv

#保存csv文件 (df_to_csv_Copy.v1)

将DataFrame保存为csv文件

开发者: blsm001 | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入csvinput_1通用

输入csv

*必填
输入参数指定文件名namestr

指定文件名

xxx.csv

#dfadfasddf (dfadfasddf.v1)

开发者: rydeng | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_ds1input_ds1通用*必填
输入参数train_starttrain_startstr2010-01-01
train_endtrain_endstr2015-01-01
test_starttest_startstr2015-01-01
test_endtest_endstr2018-09-20
freqfreqstr5
stock_countstock_countstr20
ratio_maxratio_maxstr0.1
pos_gradientpos_gradientstr10
capital_startcapital_startstr10000000
market_trainmarket_trainstr全市场
market_testmarket_testchoice全市场
benchmark_insbenchmark_insstrIC0000.CFE
输出端datadata通用

#dick001 (dick001.v1)

开发者: alfred1993 | 使用示例

类别显示名称名称类型描述必填/默认

#股票代码过滤 (exclude_stock_filter.v3)

指定去除的股票列表,过滤数据

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数指定去除的股票使用逗号分隔exclude_stock_listcode

指定去除的股票使用逗号分隔

默认代码
输出端输出数据data_1通用

输出数据

#exercise_1 (exercise_1.v1)

修改数据列名

开发者: lpl22 | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_dsinput_ds通用*必填
输入参数columnscolumnsstradjust_factor:new_adjust_factor|rank_return_0/rank_return_5:return_change_5
输出端datadata通用

#因子分析-lite版 (factor_analysis_lite.v8)

因子分析-lite版

使用示例

类别显示名称名称类型描述必填/默认
输入参数开始时间开始时间str

开始时间

2015-01-01
结束时间结束时间str

结束时间

2019-01-01
股票池股票池str

股票池

all
因子或因子表达式因子或因子表达式str

因子或因子表达式

pe_ttm_0
调仓周期调仓周期int

调仓周期

22
买入成本买入成本float

买入成本

0.0003
卖出成本卖出成本float

卖出成本

0.0013
因子排序方向因子排序方向bool

因子排序方向

True
是否行业中性化处理是否行业中性化处理bool

是否行业中性化处理,默认已极值和标准化处理

*必填
是否去除ST股是否去除ST股bool

是否去除ST股

*必填
是否去除新股是否去除新股bool

是否去除新股

*必填
是否去除涨跌停股是否去除涨跌停股bool

是否去除涨跌停股

*必填
是否作图是否作图bool

是否作图

True

#选择因子库因子 (factor_select.v16)

用于因子库的因子选择,可以串接

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入参数选择因子库因子featurechoice

选择因子库因子

['alpha001', 'alpha002', 'alpha003']
输出端因子列表data通用

因子列表

#factor_tob (factor_tob.v1)

开发者: wallstreetcat | 使用示例

类别显示名称名称类型描述必填/默认
输入端factorfactor通用*必填
输入参数windowwindowint5
buy_sel_rankbuy_sel_rankchoice[4, 6]
fieldfieldstrgxl
ascascbool*必填
输出端datadata通用

#因子库数据抽取 (factors_data_extract.v7)

指定证券代码列表和因子列表,抽取指定的因子数据

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端证券代码列表input_1通用

证券代码列表

*必填
特征因子列表input_2通用

特征因子列表

*必填
输入参数DataSource_idds_idstr

DataSource_id

33475194147811e9a0d80a580a8105cf
输出端因子数据data通用

因子数据

#因子库数据 (factors_ds.v3)

因子库数据源,定期更新

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入参数因子库DataSource_idds_idstr

因子库DataSource_id

2093cf74081a11e9a1cc0a580a810747
起始日期start_datestr

起始日期

2018-01-01
结束日期end_datestr

结束日期

2018-10-01
输出端因子数据data通用

因子数据

#自动特征生成 (fearutre_auto.v2)

利用featuretools工具自动生成因子

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数指定索引列df_unique_idstr

指定索引列

date
指定时间列(可以为空)time_style_variable_inputstr

指定时间列(可以为空)

date
是否输出日志verbose_inputbool

是否输出日志

True
指定内置转换函数(空为全部)trans_primitives_inputcode

指定内置转换函数(空为全部)

默认代码
自定义转换函数self_transfunscode

自定义转换函数

*必填
指定自定义转换函数列表self_transfuns_listcode

指定自定义转换函数列表

默认代码
最大生成的函数深度max_depth_inputint

最大生成的函数深度

2
设置并行数量njobs_inputint

设置并行数量

1
输出端输出特征数据data_1通用

输出特征数据

输出特征列表data_2通用

输出特征列表

#特征列表叠加 (features_add.v1)

两个特征列表叠加,并处理为简称

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端特征列表1input_1通用

特征列表1

*必填
特征列表2input_2通用

特征列表2

*必填
输出端输出特征列表data_1通用

输出特征列表

#特征列表因子简称 (features_short.v1)

获取特征列表中的简称构建新的特征列表

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端特征列表input_1通用

特征列表

*必填
输出端输出简称特征列表data_1通用

输出简称特征列表

#自动特征组合 (featuretools.v1)

根据所选方法和自定义方法实现自动特征组合

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_df通用

输入数据

*必填
输入参数唯一索引字段df_unique_idstr

唯一索引字段

date
时间类型字段若不表明time_style_variable_inputstr

时间类型字段若不表明,则按文本处理

date
选择内置函数get_self_transfuns_list_codecode

选择内置函数

默认代码
自定义基础函数user_defined_transfuns_codecode

自定义基础函数

默认代码
自定义基础函数列表get_user_defined_transfuns_list_codecode

自定义基础函数列表

默认代码
特征公式最大深度max_depth_inputint

特征公式最大深度

2
是否输出日志verbose_inputbool

是否输出日志

True
输出端特征数据data_1通用

特征数据

特征列表data_2通用

特征列表

#缺失值填充 (fill_nan.v1)

使用前后数据向填充

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
特征因子列表input_2通用

特征因子列表

*必填
输入参数指定填充的列columns_inputcode

指定填充的列

默认代码
指定分组key列group_keycode

指定分组key列

默认代码
指定填充类型methodchoice

指定填充类型

向下向上填充
输出端输出数据data通用

输出数据

#选取指定概念板块股 (filter_concept.v4)

过滤选取指定的概念股

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数指定概念板块concept_strstr

指定概念板块,例如:人工智能

人工智能;大飞机
输出端输出数据data_1通用

输出数据

#去除退市股 (filter_delist_stock.v4)

过滤去除退市股

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输出端输出数据data_1通用

输出数据

#用预测过滤股票代码 (filter_instruments_with_predictions.v3)

使用预测结果过滤股票代码,可以减少回测需要加载的股票数据数量。此模块只在回测模式有效。在模拟交易中,不会做任何操作

开发者: jliang | 使用示例

类别显示名称名称类型描述必填/默认
输入端instrument_dsinstrument_ds通用*必填
prediction_dsprediction_ds通用*必填
输入参数预测结果数countint

预测结果数,取每天的预测结果数量,0表示所有

5
输出端data_1data_1通用

#filter_out_markets (filter_out_markets.v1)

开发者: lsj1996 | 使用示例

类别显示名称名称类型描述必填/默认

#股票代码起始过滤 (filter_stockcode.v2)

按股票起始代码过滤,如过滤除去创业板则输入3,科创板输入688

开发者: anzaixiu | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数股票市场起始代码startstr

股票市场起始代码,如过滤去除创业板股票则填入3,去除科创板股票则填入688

688
输出端输出数据data_1通用

输出数据

#过滤市场 (filter_stockmarket.v2)

按股票起始代码过滤,如过滤除去创业板则输入3

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数股票市场起始代码startstr

股票市场起始代码,如过滤去除创业板股票则填入3,去除上海交易所股票则填入6

3
输出端输出数据data_1通用

输出数据

#过滤st股票 (filtet_st_stock.v2)

过滤去除st,st,*st股票

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输出端输出数据data_1通用

输出数据

#financial_statement_CN_STOCK_A_with_industry_name (financial_statement_CN_STOCK_A_with_industry_name.v1)

将财报数据与行业名字合并

开发者: lpl22 | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填
input_2input_2通用*必填
输出端data_1data_1通用

#获取策略历史交易信号 (get_history_orders.v5)

用于获取订阅的策略或自己的策略历史交易信号,需要输入用户名和密码以及策略的id或notebook_id

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入参数strategy_idstrategy_idstr217
usernameusernamestritsatest
pwdpwdstrpwd
输出端data_1data_1通用
data_2data_2通用

#获取订阅策略每日最新交易计划 (get_plan_orders.v1)

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端证券代码列表input_1通用

证券代码列表

*必填
输入参数天梯策略idstrategy_idstr

天梯策略id

9362
用户名usernamestr

用户名

username
密码pwdstr

密码

pws
输出端证券代码列表data_1通用

证券代码列表

计划下单数据data_2通用

计划下单数据

#get_signal (get_signal.v2)

获取某日交易信号

开发者: xiaoshao | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_dsinput_ds通用*必填
输入参数datedatestr2018-10-09
输出端data_1data_1通用

#get_transaction_v99 (get_transaction_v99.v6)

获取历史交易详情

使用示例

类别显示名称名称类型描述必填/默认
输入参数useruserstr*必填
passwordpasswordstr*必填
_id_idstr*必填
输出端datadata通用

data

#遗传规划模型训练(GP) (gplearn_train.v1)

遗传规划模型训练(GP),所有的交叉/变异概率综合不要超过1.0

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端训练集数据input_1通用

训练集数据

*必填
参与训练的因子input_2通用

参与训练的因子

*必填
输入参数使用全局(True)/末代(False)表达式IS_USE_BEST_GPchoice

使用全局(True)/末代(False)表达式

True
进化代数gnrtnint

进化代数

3
每代种群数量ppltnint

每代种群数量

80
每代最大抽样比例max_samplesfloat

每代最大抽样比例

0.9
适应度函数metricchoice

适应度函数

rmse
适应度函数终止条件<=stopping_criteriafloat

适应度函数终止条件<=

0.01
表达式树结构最小深度init_depth_minint

表达式树结构最小深度

2
表达式树结构最大深度init_depth_maxint

表达式树结构最大深度

6
子树交叉概率p_crossoverfloat

子树交叉概率

0.9
子树剪枝概率p_hoist_mutationfloat

子树剪枝概率

0.01
节点变异概率p_point_mutationfloat

节点变异概率

0.05
节点替换概率p_point_replacefloat

节点替换概率

0.01
子树变异概率p_subtree_mutationfloat

子树变异概率

0.01
输出端GP模型data_1通用

GP模型

训练集数据拟合结果data_2通用

训练集数据拟合结果

#分组合并 (group_and_merge.v1)

先对数据分组(group),然后合并各组(merge)

开发者: omnia | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_dsinput_ds通用*必填
输入参数group_by_columnsgroup_by_columnsstrinstrument
join_by_columnsjoin_by_columnsstrdate
selected_columnsselected_columnsstrclose
sortsortboolTrue
输出端data_1data_1通用

#guolv (guolv.v2)

sss

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输出端输出数据data_1通用

输出数据

#交易中退市股处理 (handle_delist_stock.v1)

退市股每日排序靠后,做到尽量优先卖出退市股,买入时尽量不考虑

开发者: copen | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填
输出端datadata通用

#指数增强(模拟交易) (hedge_strategy_explore.v8)

指数增强策略开发

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入特征列表input_ds1通用

输入特征列表

*必填
输入参数训练集开始日期train_startstr

训练集开始日期

2010-01-01
训练集结束日期train_endstr

训练集结束日期

2015-01-01
验证集开始日期test_startstr

验证集开始日期

2016-01-01
验证集结束日期test_endstr

验证集结束日期

2018-10-18
换仓周期freqint

换仓周期

1
持仓股数stock_countint

持仓股数

20
个股最大持仓比例ratio_maxfloat

个股最大持仓比例

0.25
仓位配比均匀度pos_gradientint

仓位配比均匀度

0
初始资金capital_startfloat

初始资金

10000000
训练集股票范围market_trainchoice

训练集股票范围

中证500
验证集股票范围market_testchoice

验证集股票范围

中证500
业绩基准benchmark_inschoice

业绩基准

IC0000.CFE
输出端回测结果data通用

回测结果

#高频因子统计指标 (highfreq_factor_statistical_indicators.v5)

快速计算高频因子各项统计指标

开发者: xiaoshao | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用

input_1

*必填
输出端data_1data_1通用

data_1

#hist_return_of_industry (hist_return_of_industry.v1)

画出一段时间申万一级行业收益率直方图

开发者: sszy | 使用示例

类别显示名称名称类型描述必填/默认
输入参数计算开始时间start_datestr

计算开始时间

2019-01-01
计算结束时间end_datestr

计算结束时间

2019-03-22

#hist_return_of_stockA (hist_return_of_stockA.v2)

画出一段时间内A股个股的收益率直方图

开发者: sszy | 使用示例

类别显示名称名称类型描述必填/默认
输入参数计算的开始时间start_datestr

计算的开始时间

2019-01-01
计算的结束时间end_datestr

计算的结束时间

2019-03-22

#hold_days_test_v1 (hold_days_test_v1.v1)

开发者: jasperzm | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_dsinput_ds通用*必填
输入参数持仓周期Nint

持仓周期

5
输出端data_1data_1通用

#demo (hw.v6)

demo

开发者: goodchinas | 使用示例

类别显示名称名称类型描述必填/默认
输入端factorfactor通用*必填
输入参数windowwindowint5
buy_sel_rankbuy_sel_rankchoice[4, 6]
fieldfieldstrgxl
ascascbool*必填
输出端data_1data_1通用

data_1

#自定义参数运行 (hyper_graph.v6)

自定义运行,可以在这里重新设置参数,调配运行。可用于超参数调优、滚动训练等场景

开发者: jliang | 使用示例

类别显示名称名称类型描述必填/默认
输入参数bq_graphbq_graphstr--
runruncode默认代码
输出端datadata通用

#i扩展时间区间 (i_extend_datetime_interval.v2)

扩展时间区间(按向前取数据天数), 取代基础特征抽取模块的对应选项, 方便动态向前取数据

开发者: chaoskey | 使用示例

类别显示名称名称类型描述必填/默认
输入端证券代码输入数据input_is通用

证券代码输入数据

*必填
输入参数(含向前取数据天数)input_params通用

输入参数(含向前取数据天数)

*必填
输出端证券代码输出数据data通用

证券代码输出数据

#i模板数据过滤 (i_filter.v5)

按模板对数据进行过滤 (模板中的{0}{1}.... 参考string.format(...))

开发者: chaoskey | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_ds通用

输入数据

*必填
模板参数数据(元组)input_params通用

模板参数数据(元组)

*必填
输入参数过滤表达式模板expr_fmtstr

过滤表达式模板

`fu_trade_num_in_{0}()`>{1}
输出端输出数据data通用

输出数据

#i模板特征 (i_template_features.v2)

模板特征(i_template_features), 参考 string.format(...)

开发者: chaoskey | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入特征数据input_fs通用

输入特征数据

*必填
模板参数(元组)input_params通用

模板参数(元组)

*必填
输入参数模板特征(用|隔开)param_fsstr

模板特征(用|隔开)

"{0}"
输出端输出特征数据data通用

输出特征数据

#i_top (i_top.v9)

按指定列排序, 并取TOP_N

开发者: chaoskey | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_ds通用

输入数据

*必填
输入参数排序列名sort_keystr

排序列名

""
默认0从大到小ascendingint

默认0从大到小

0
TOP_Ntop_numint

TOP_N

100
输出端输出数据data通用

输出数据

#指数特征抽取 (index_feature_extract.v2)

通过指数日线行情数据抽取因子,因子序号对应输入特征列表的顺序

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端证券代码列表input_1通用

证券代码列表

*必填
特征因子列表input_2通用

特征因子列表

*必填
输入参数行情数据向前抽取天数before_daysint

行情数据向前抽取天数

100
指数代码indexstr

指数代码

000300.HIX
输出端特征数据data_1通用

特征数据

指数因子列表data_2通用

指数因子列表

指数因子名称对照字典data_3通用

指数因子名称对照字典

#label_del_inf (label_del_inf.v1)

开发者: mefan | 使用示例

类别显示名称名称类型描述必填/默认

#lightgbm_predict (lightgbm_predict.v2)

开发者: mafamily2496 | 使用示例

类别显示名称名称类型描述必填/默认
输入端modelmodel通用*必填
featuresfeatures通用*必填
datadata通用*必填
输出端predictionspredictions通用

#lightgbm_train (lightgbm_train.v1)

开发者: mafamily2496 | 使用示例

类别显示名称名称类型描述必填/默认
输入端datadata通用*必填
featuresfeatures通用*必填
输出端modelmodel通用

#列表式输入特征 (list_input_feature.v7)

列表方式输入特征

开发者: ljj13802239795 | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入特征列表input_features通用

输入特征列表

*必填
输入参数输入特征列表feature_listcode

输入特征列表

默认代码
输出端特征列表feature_list通用

特征列表

#列表转换维度 (list_shape.v1)

把列表(list)转换为np.array()带维度的形式

开发者: blsn | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_data通用

输入数据

*必填
输出端输出数据data通用

输出数据

#logistic_model (logistic_model.v2)

逻辑斯蒂回归

开发者: feynman0825 | 使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据input_1通用

训练数据

*必填
特征列表input_2通用

特征列表

*必填
预测数据input_3通用

预测数据

*必填
输入参数penaltypenaltystrl2
CCfloat0.1
输出端预测值data_1通用

预测值

#m4_min_self (m4_min_self.v1)

开发者: ljh | 使用示例

类别显示名称名称类型描述必填/默认
输入参数before_daysbefore_daysint1

#模型读取(深度学习) (model_read.v1)

用于从指定路径读取指定名称的的模型文件,便于模拟交易的模型固化

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入参数文件路径filedirstr

文件路径

/home/bigquant/work/userlib/
文件名称filenamestr

文件名称

test
输出端模型数据data通用

模型数据

#模型保存(深度学习) (model_save.v1)

将训练后的模型保存到指定文件夹,如果文件名为空默认文件名为最新保存的时间。

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填
输入参数模型文件保存的路径地址filedirstr

模型文件保存的路径地址

/home/bigquant/work/userlib/
文件名称filenamestr

文件名称

test

#my_conv1d (my_conv1d.v1)

开发者: justforfun235 | 使用示例

类别显示名称名称类型描述必填/默认

#my_test (my_test.v11)

my_test

使用示例

类别显示名称名称类型描述必填/默认
输入参数开始时间开始时间str

开始时间

2015-01-01
结束时间结束时间str

结束时间

2019-01-01
股票池股票池str

股票池

all
因子或因子表达式因子或因子表达式str

因子或因子表达式

pe_ttm_0
调仓周期调仓周期int

调仓周期

22
买入成本买入成本float

买入成本

0.0003
卖出成本卖出成本float

卖出成本

0.0013
因子排序方向因子排序方向bool

因子排序方向

True
是否行业中性化处理是否行业中性化处理bool

是否行业中性化处理

*必填
是否去除ST股是否去除ST股bool

是否去除ST股

*必填
是否去除新股是否去除新股bool

是否去除新股

*必填
是否去除涨跌停股是否去除涨跌停股bool

是否去除涨跌停股

*必填
是否作图是否作图bool

是否作图

True

#neutral (neutral.v1)

数据中性化处理

开发者: polll | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填
输入参数因子名columnsstr

因子名

"market_cap_0"
是否市值中性化market_cap_nstr

是否市值中性化

0
是否行业中性化ind_nstr

是否行业中性化

0
输出端data_1data_1通用

#norm (norm.v1)

开发者: jh0924 | 使用示例

类别显示名称名称类型描述必填/默认

#独热编码 (one_hot.v7)

股票自动标注后,添加独热编码<one_hot>,并且删除自动标注多余的列。

开发者: blsn | 使用示例

类别显示名称名称类型描述必填/默认
输入端标注数据input_data通用

标注数据

*必填
输入参数是否添加独热编码one_hotbool

是否添加独热编码

*必填
输出端输出数据data通用

输出数据

#option_para (option_para.v2)

提供额外参数项,便于自定义运行模块

开发者: wallstreetcat | 使用示例

类别显示名称名称类型描述必填/默认
输入参数stock_numstock_numstr5
hold_dayshold_daysstr5
other_paraother_parastr[object Object]
输出端data_1data_1通用

#成交单回测 (order_record_backtest.v6)

成交单回测模块

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端证券代码列表input_1通用

证券代码列表

*必填
成交数据input_2通用

成交数据

*必填
输入参数初始资金start_capitalfloat

初始资金

100000000
输出端回测结果data_1通用

回测结果

#Pandas透视表 (pandas_pivot_table.v1)

pandas.pivot_table透视表封装

开发者: ingeno | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_data通用

输入数据

*必填
输入参数indexindexstr

index,对应pivot_table的参数index

date
columnscolumnsstr

columns,对应pivot_table的参数columns,多个列名用英文逗号分隔

instrument
valuesvaluesstr

values,对应pivot_table的参数values,多个列名用英文逗号分隔

*必填
flatflatbool

flat,如果是MultiIndex列,是否将列平面化

*必填
输出端输出数据data_1通用

输出数据

#performance_analysis (performance_analysis.v1)

开发者: feynman0825 | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填

#周期转换 (period_resample.v1)

开发者: hxjj001 | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数转换周期resample_periodstr

转换周期

M
转换方式how_keystr

转换方式

last
输出端输出数据data_1通用

输出数据

#plot (plot.v1)

开发者: user254 | 使用示例

类别显示名称名称类型描述必填/默认
输入端单个股票ins通用

单个股票

*必填
开始日期start_date通用

开始日期

*必填
结束日期end_date通用

结束日期

*必填
特征列表features通用

特征列表

*必填

#绘制T.plot (plot_df.v7)

T.plot一个简单封装

开发者: omnia | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_dsinput_ds通用*必填
输入参数xxstrdate
yystr--
titletitlestr标题
chart_typechart_typestrline
optionsoptionscode默认代码

#绘制策略收益曲线 (plot_strategy_pnl_curve.v1)

开发者: xiaoshao | 使用示例

类别显示名称名称类型描述必填/默认
输入参数strategy_idstrategy_idstr*必填
useruserstr*必填
passwordpasswordstr*必填
benchmarkbenchmarkstr沪深300指数

#portfolio_optimize (portfolio_optimize.v1)

仓位组合优化测试

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端股票池input_ds1通用

股票池

*必填
特征因子input_ds2通用

特征因子

*必填
输入参数训练集起始日期train_startstr

训练集起始日期

2010-01-01
训练集终止日期train_endstr

训练集终止日期

2015-01-01
测试集起始日期test_startstr

测试集起始日期

2015-01-01
测试集终止日期test_endstr

测试集终止日期

2018-09-20
调仓周期freqstr

调仓周期

22
单只个股最大仓位占比ratio_maxstr

单只个股最大仓位占比

0.4
初始资金capital_startstr

初始资金

1000000
输出端datadata通用

#portfolio_optimizer (portfolio_optimizer.v9)

组合优化器

开发者: feynman0825 | 使用示例

类别显示名称名称类型描述必填/默认
输入参数obj_typeobj_typestrrisk_reverse
cost_modelcost_modelstr*必填
gammagammastr0.1
lamlamstr10000
thetathetastr0.003
mumustr4cb45466d1f111e897340a580a81048c
covcovstrf206895ed1ef11e897340a580a81048c
w_prevw_prevstr*必填
long_onlylong_onlystrTrue
holding_constraintholding_constraintstr0.0,0.2

#printtime (printtime.v1)

开发者: itsatest | 使用示例

类别显示名称名称类型描述必填/默认

#pyfolio_full_tear_sheet (pyfolio_full_tear_sheet.v1)

策略风险分析是对整个策略回测以后进行风险分析,主要包括:


回测相关指标,比如年化收益、收益波动率、夏普比率、最大回撤、偏度、峰度、索提纳比率、信息比率、贝塔、阿尔法


最大的前五次回撤,包括回撤时间段、回撤幅度、回撤天数


日收益折线图


月度收益率、年度收益率、月度收益分布图


日收益茎叶图、周收益茎叶图、年收益茎叶图


盈利最大前10股票


多头市值与空头市值


每日持仓股票数、每日杠杆、每日换手率、每日交易额

开发者: wicked_code | 使用示例

类别显示名称名称类型描述必填/默认

#rate (rate.v1)

开发者: fate | 使用示例

类别显示名称名称类型描述必填/默认

#read_csv (read_csv.v10)

开发者: muhai123 | 使用示例

类别显示名称名称类型描述必填/默认

#read_data (read_data.v1)

从历史数据中读取基础数据

开发者: fate | 使用示例

类别显示名称名称类型描述必填/默认

#股票轮仓信号读入 (read_stocklist.v1)

读入股票持仓信息,包含日期和和股票代码两列数据。

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入参数股票轮仓信号文件名filenamestr

股票轮仓信号文件名

stocklist.csv
文件编码方式codestr

文件编码方式

utf-8
输出端每日股票持仓data_1通用

每日股票持仓

#remove_Second_board (remove_Second_board.v1)

去掉创业板股票

开发者: yjc6296 | 使用示例

类别显示名称名称类型描述必填/默认

#修改列名 (rename_columns.v5)

修改数据列名

开发者: jliang | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_dsinput_ds通用*必填
输入参数列名映射columnsstr

列名映射,格式为:原列名1:新列名1|原列名2:新列名2|原列名3:新列名3|..

*必填
是否保留原列keep_old_columnsbool

是否保留原列

True
输出端datadata通用

#特征因子列表长表达式处理 (renamefactors.v1)

特征因子列表长表达式改名为facXXX

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端特征因子列表input_1通用

特征因子列表

*必填
输出端短因子列表data_1通用

短因子列表

列名字典data_2通用

列名字典

#无穷大异常数据处理 (replace_inf_dropna.v1)

将正负无穷大数据替换为Nan并drop去除

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输出端输出数据data_1通用

输出数据

#周期转换 (resample_df.v3)

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数转换频率resample_periodstr

转换频率

M
处理方式how_keychoice

处理方式

l
输出端输出数据data_1通用

输出数据

#策略收益与风险分析 (revenue_risk_analysis.v2)

对策略采用市场大类因子进行收益与风险归因

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端回测结果数据input_1通用

回测结果数据

*必填

#rydeng (rydeng.v30)

开发者: rydeng | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用

input_1

*必填
输入参数kkint

k

20
mmmmstr

mm

["2"]
ssssssstr

sss

qq
输出端data_1data_1通用

data_1

#选择列 (select_columns.v3)

选择需要的列

开发者: jliang | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_ds通用

输入数据

*必填
输入列columns_ds通用

输入列,将与参数的输入列合并

*必填
输入参数输入列columnsstr

输入列,将与输入端的输入列合并。多个列用英文逗号分隔,例如 open,close

*必填
反选reverse_selectbool

反选,即删除选中的列

*必填
输出端datadata通用

#K特征选择 (select_k_best.v8)

选择K个最佳特征

开发者: ljj13802239795 | 使用示例

类别显示名称名称类型描述必填/默认
输入参数开始日期start_datestr

开始日期

2005-01-01
结束日期end_datestr

结束日期

2015-01-01
评分函数(f_classif/chi2)score_funcstr

评分函数(f_classif/chi2)

f_classif
拟选特征个数kkint

拟选特征个数k

60
是否在屏幕输出结果?if_printbool

是否在屏幕输出结果?

True
源特征列表feature_listcode

源特征列表

默认代码
输出端最佳特征列表data_1通用

最佳特征列表

scores&pvaluesdata_2通用

scores&pvalues

#self_portfolio_optimize (self_portfolio_optimize.v6)

自有股票仓位优化

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端证券代码列表input_ds1通用

证券代码列表

*必填
特征因子列表input_ds2通用

特征因子列表

*必填
输入参数训练集起始日期train_startstr

训练集起始日期

2010-01-01
训练集结束日期train_endstr

训练集结束日期

2015-01-01
验证集起始日期test_startstr

验证集起始日期

2015-01-01
验证集结束日期test_endstr

验证集结束日期

2018-09-20
换仓周期freqint

换仓周期

5
持股数量stock_countint

持股数量

20
最大个股持仓比例ratio_maxfloat

最大个股持仓比例

0.3
仓位分配均匀度pos_gradientint

仓位分配均匀度

0
初始资金capital_startfloat

初始资金

10000000
业绩基准bmstr

业绩基准

000300.SHA

#single_analysis (single_analysis.v1)

factor:
start_time:
end_time:
if_market:
if_industry:

开发者: fate | 使用示例

类别显示名称名称类型描述必填/默认

#single_analysis_0718 (single_analysis_0718.v1)

N是换仓周期
is_industry:是否行业中性化
is_market:是否市值中性化

开发者: fate | 使用示例

类别显示名称名称类型描述必填/默认
输入参数factorfactorstr-1*ts_rank(rank(low_0),9)
NNint20
is_industryis_industryboolTrue
is_marketis_marketbool*必填
start_datestart_datestr2018-01-01
end_dateend_datestr2018-12-31
输出端data_1data_1通用
data_2data_2通用
data_3data_3通用

#single_variable (single_variable.v2)

开发者: fate | 使用示例

类别显示名称名称类型描述必填/默认

#绘制分组分布图 (sns_catplot.v1)

封装seaborns库中的分组分布图绘制,可对输入的DataFrame指定的x轴和y轴两列数据绘制盒式图、小提琴图、散点图等多种类型数据分布并分组展示。

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数指定X轴数据列名xstr

指定X轴数据列名

*必填
指定Y轴数据列名ystr

指定Y轴数据列名

*必填
图展示类型kindchoice

图展示类型

s
指定分组列名huecode

指定分组列名

默认代码
图幅尺寸sizeint

图幅尺寸

5

#绘制单变量直方图 (sns_displot.v1)

seaborn_displot封装,绘制输入DataFrame的指定列直方图和概率密度

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数指定绘制的列名xstr

指定绘制的列名

fs_roe_0
是否绘制概率密度分布kdebool

是否绘制概率密度分布

*必填
分组数量binsint

分组数量

100

#绘制双变量联合分布 (sns_jointplot.v2)

封装seaborn jointplot函数,绘制输入DataFrame中指定的两列变量的联合分布

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数指定变量1的列名xstr

指定变量1的列名

fs_roe_0
指定变量2的列名ystr

指定变量2的列名

fs_roa_ttm_0
指定绘图类型kindchoice

指定绘图类型

s

#绘制多变量联合分布组图 (sns_pairgrid.v3)

封装seaborn pairgrid函数,绘制输入DataFrame中指定的列变量之间的两两联合分布组图

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入需要绘制的特征列表input_2通用

输入需要绘制的特征列表

*必填
输入参数对角线图类型map_diagchoice

对角线图类型

k
上三角图类型map_upperchoice

上三角图类型

s
下三角图类型map_lowerchoice

下三角图类型

s

#sort_self (sort_self.v1)

开发者: lylelai | 使用示例

类别显示名称名称类型描述必填/默认

#sst_0924_v2 (sst_0924.v2)

开发者: wallstreetcat | 使用示例

类别显示名称名称类型描述必填/默认
输入端factorfactor通用

factor

*必填
输入参数windowwindowint

window

5
buy_sel_rankbuy_sel_rankchoice

buy_sel_rank

[4, 6]
fieldfieldstr

field

gxl
ascascbool

asc

*必填
输出端data_1data_1通用

#sst_0924_v3 (sst_0924_v3.v1)

开发者: wallstreetcat | 使用示例

类别显示名称名称类型描述必填/默认
输入端factorfactor通用*必填
输入参数windowwindowint4
buy_sel_rankbuy_sel_rankchoice[4, 6]
fieldfieldstrgxl
ascascbool*必填
输出端data_1data_1通用

#sst_demo (sst_demo.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端aa通用*必填
bb通用*必填
输入参数{ { int*必填
int*必填
输出端data_1data_1通用

#sst_read_table (sst_read_table.v1)

开发者: iquant | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填
输出端data_1data_1通用

#股票池单因子分组测试 (stockpool_singlefactor_analysis.v1)

给定股票池文件csv,date和instrument, 按照给定因子分组等权重回测。

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入参数指定因子表达式feature_inputstr

指定因子表达式

return_20
指定结束日期endstr

指定结束日期

2019-03-01
指定csv文件名filenamestr

指定csv文件名

stocklist1.csv
编码格式codestr

编码格式

utf-8

#滚动运行配置 (summertest003.v1)

滚动运行配置。返回滚动列表,每个滚动包含开始日期和结束日期。

开发者: summercs4 | 使用示例

类别显示名称名称类型描述必填/默认
输入参数开始日期start_datestr

开始日期

2010-01-01
结束日期end_datestr

结束日期

2015-12-31
更新周期rolling_update_daysint

更新周期,按自然日计算,每多少天更新一次

365
模拟实盘更新周期rolling_update_days_for_liveint

模拟实盘更新周期,按自然日计算,每多少天更新一次。如果需要在模拟实盘阶段使用不同的模型更新周期,可以设置这个参数

*必填
最小数据天数rolling_min_daysint

最小数据天数,按自然日计算,所以第一个滚动的结束日期是 从开始日期到开始日期+最小数据天数

730
最大数据天数rolling_max_daysint

最大数据天数,按自然日计算,0,表示没有限制,否则每一个滚动的开始日期=max(此滚动的结束日期-最大数据天数, 开始日期)

*必填
实盘滚动次数rolling_count_for_liveint

实盘滚动次数,模拟实盘模式下,取最后多少次滚动。一般在模拟实盘模式下,只用到最后一次滚动训练的模型,这里可以设置为1;如果你的滚动训练数据时间段很短,以至于期间可能没有训练数据,这里可以设置大一点。0表示没有限制

1
输出端滚动配置数据(DataSource pickle)data通用

滚动配置数据(DataSource pickle)

#申万行业指数列表 (sw_industry_code.v5)

获取申万行业列表/指数列表

开发者: iquant | 使用示例

类别显示名称名称类型描述必填/默认
输入参数申万行业级别levelint

申万行业级别

1
起始日期start_datestr

起始日期

2018-01-01
结束日期end_datestr

结束日期

2018-01-01
输出端申万行业指数列表data通用

申万行业指数列表

#temp (temp.v1)

temp

开发者: goodchinas | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用*必填
输入参数input_2input_2int5
input_3input_3choice[4, 6]
输出端data_1data_1通用

#test000 (test000.v1)

test000

开发者: ykgong | 使用示例

类别显示名称名称类型描述必填/默认

#test123 (test123.v3)

test123

开发者: ykgong | 使用示例

类别显示名称名称类型描述必填/默认

#test789 (test789.v1)

test789

开发者: ykgong | 使用示例

类别显示名称名称类型描述必填/默认

#测试 (test_lgd1.v27)

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数参数kint

参数

20
代码mmcode

代码

默认代码
zifuchuansssstr

zifuchuan

qq
输出端输出数据data_1通用

输出数据

#test_wyq (test_wyq.v1)

开发者: youknowwyq | 使用示例

类别显示名称名称类型描述必填/默认

#标准化处理 (testhw1.v1)

对数据进行截面标准化处理

开发者: goodchinas | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
因子列表input_2通用

因子列表

*必填
输入参数指定列columns_inputcode

指定列

默认代码
输出端输出数据data通用

输出数据

#自定义测试 (testing.v2)

开发者: sszy | 使用示例

类别显示名称名称类型描述必填/默认

#testtest (testtest.v8)

开发者: goodchinas | 使用示例

类别显示名称名称类型描述必填/默认
输入端factorfactor通用*必填
输入参数windowwindowint5
buy_sel_rankbuy_sel_rankchoice[4, 6]
fieldfieldstrgxl
ascascbool*必填
输出端data_1data_1通用

data_1

#trend_of_industry (trend_of_industry.v1)

一段时间申万一级行业的指数走势

开发者: sszy | 使用示例

类别显示名称名称类型描述必填/默认
输入参数计算开始时间start_datestr

计算开始时间

2019-01-01
计算结束时间end_datestr

计算结束时间

2019-03-22

#ts_data_input_zz500 (ts_data_input_zz500.v2)

开发者: stock | 使用示例

类别显示名称名称类型描述必填/默认
输出端data_1data_1通用

#组合优化-加入行业中性 (update_portfolio_opt.v10)

优化目标:收益,风险,夏普比率,信息比率,风险平价
约束条件:权重,跟踪误差,行业中性
输入:可选,一个pandas.Series

开发者: wallstreetcat | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_1input_1通用

input_1

*必填
输入参数股票列表symbolscode

股票列表

默认代码
开始日期datestr

开始日期

2018-01-02
权重之和weight_sumfloat

权重之和

1
最大权重upper_weightfloat

最大权重

0.3
最小权重lower_weightfloat

最小权重

0.005
向前计算天数before_start_daysint

向前计算天数,默认为一年

365
优化目标targetchoice

优化目标

是否在优化失败时返回等权重return_equal_weight_if_failbool

是否在优化失败时返回等权重

True
基准指数benchmarkcode

基准指数,默认上证50,列表格式

默认代码
upper_tracking_errorupper_tracking_errorfloat

upper_tracking_error

0.3
lower_tracking_errorlower_tracking_errorfloat

lower_tracking_error

0.001
是否进行行业中性约束industry_neutralbool

是否进行行业中性约束

*必填
优化函数的容忍度tolfloat

优化函数的容忍度,越小越精确

1
优化函数的最大迭代次数maxiterint

优化函数的最大迭代次数,影响计算时间

50
输出端data_1data_1通用

data_1

#期权波动率指数 (vixk.v11)

获取期权波动率指数

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入参数start_datestart_datestr

start_date

2019-01-01
end_dateend_datestr

end_date

2019-07-03
输出端datadata通用

data

#weee (weee.v1)

开发者: fate | 使用示例

类别显示名称名称类型描述必填/默认

#获取用户微博帖子 (weibo_user_posts_fetcher.v13)

获取指定用户的微博帖子,使用参考 https://bigquant.com/community/t/topic/132125

开发者: think | 使用示例

类别显示名称名称类型描述必填/默认
输入参数微博用户名user_namestr

微博用户名,例如 花荣

*必填
数量countint

数量,获取用户的多少条微博数据

*必填
cookie_SUBcookie_substr

cookie_SUB,微博登录用户的cookie SUB,获取微博数据需要登录

*必填
输出端data_1data_1通用

#xixi (xixi.v1)

开发者: alfred1993 | 使用示例

类别显示名称名称类型描述必填/默认

#zigzag (zigzag.v1)

开发者: liontain | 使用示例

类别显示名称名称类型描述必填/默认
输入端dfSeriesdfSeries通用*必填
输出端dfResdfRes通用

#指数增强 (指数增强.v11)

该功能模块主要功能为:在给定的指数成份股中优化选股和仓位以实现指数增强

开发者: chad | 使用示例

类别显示名称名称类型描述必填/默认
输入端特征列表input_ds1通用

特征列表

*必填
输入参数训练集开始日期train_startstr

训练集开始日期

2010-01-01
训练集结束日期train_endstr

训练集结束日期

2015-01-01
验证集开始日期test_startstr

验证集开始日期

2016-01-01
验证集结束日期test_endstr

验证集结束日期

2018-09-20
换仓周期freqint

换仓周期,策略默认定期重新按股票排名换仓

1
持仓股数stock_countint

持仓股数,策略持有的股票个数

20
个股最大持仓比例ratio_maxfloat

个股最大持仓比例,允许的个股最高持股比例

0.25
仓位配比均匀度pos_gradientfloat

仓位配比均匀度,此项越大个股的持仓比例越均匀

0
初始资金capital_startfloat

初始资金

10000000
训练集股票池范围market_trainchoice

训练集股票池范围

全市场
验证集股票池范围market_testchoice

验证集股票池范围

全市场
业绩基准benchmark_inschoice

业绩基准

IC0000.CFE
输出端回测结果data通用

回测结果

#神经网络预测器 (神经网络预测器.v1)

神经网络预测器

开发者: feynman0825 | 使用示例

类别显示名称名称类型描述必填/默认
输入端训练数据input_1通用

训练数据

*必填
特征列表input_2通用

特征列表

*必填
预测数据input_3通用

预测数据

*必填
输入参数隐含层数量hidden_layer_sizesstr

隐含层数量

5,10
输出端预测值data_1通用

预测值

#绘制单只股票K线图 (绘制单只股票K线图.v1)

绘制单只股票的K线图,目前只支持单子股票

开发者: xiaoshao | 使用示例

类别显示名称名称类型描述必填/默认
输入参数股票代码instrumentstr

股票代码

000009.SZA
开始时间start_datestr

开始时间

2018-01-01
结束时间end_datestr

结束时间

2018-10-10
短周期均线参数sma_lengthstr

短周期均线参数

10
长周期均线参数lma_lengthstr

长周期均线参数

30
输出端K线图数据ds通用

K线图数据

#股票池初选 (股票池初选.v5)

选股生成器模块

开发者: qhdxlgd | 使用示例

类别显示名称名称类型描述必填/默认
输入端输入数据input_1通用

输入数据

*必填
输入参数self_instrumentsself_instrumentscode默认代码
指定概念板块input_conceptscode

指定概念板块

默认代码
指定行业input_industryscode

指定行业

默认代码
指数范围input_indexscode

指数范围

默认代码
过滤ST股input_stchoice

过滤ST股

过滤
过滤停牌股input_suspendchoice

过滤停牌股

过滤
输出端输出数据data通用

输出数据

#获取交易信号 (获取交易信号.v7)

获取某日交易信号

开发者: xiaoshao | 使用示例

类别显示名称名称类型描述必填/默认
输入端input_dsinput_ds通用*必填
输入参数datedatestr2016-12-30
输出端datadata通用

# 示例模块

#提交结果到Challenger (challenger_submit.v1)

提交预测结果到 challenger.ai。

使用示例

类别显示名称名称类型描述必填/默认
输入端预测数据prediction_ds通用

预测数据,HDF格式

*必填
输入参数用户名accountstr

用户名,一般是你的登陆邮箱

*必填
登陆密码passwordstr

登陆密码,可以用原始密码,也可以使用密码的md5

*必填
比赛期数/roundchallenge_roundstr

比赛期数/round

9
比赛类型challenge_typestr

比赛类型,比赛type,可以在比赛页面的html源代码里找到div id="main_content" data-cid="6" data-type="trendsense" data-round="8"

trendsense
比赛cidchallenge_cidstr

比赛cid

6

#Hello BigQuant Module (hellomodule.v1)

这是一个示例模块,用来展示如何创建一个模块。您可以拷贝此模块并修改成你需要的模块。
一个模块应该至少包括一个 bigquant_run 函数。

使用示例

类别显示名称名称类型描述必填/默认
输入端一个数据输入input_ds通用

一个数据输入

*必填
另一个数据输入another_input_ds通用

另一个数据输入

*必填
输入参数没有限制的int参数param1int

没有限制的int参数

*必填
一个int参数param2int

一个int参数

*必填
一个float参数param3float

一个float参数

*必填
choice参数param5choice

choice参数

*必填
文本字段foocode

文本字段

默认代码
bool参数param7bool

bool参数,无默认值

*必填
简单python对象barcode

简单python对象

默认代码
另一个python对象bar1code

另一个python对象

默认代码
python函数bar2code

python函数

默认代码
自动完成bar3code

自动完成

默认代码
bool参数param6bool

bool参数

True
str参数strparamstr

str参数

some_default_value
输出端一个输出数据some_ds通用

一个输出数据

另一个输出数据another_ds通用

另一个输出数据

#基础特征抽取(vnext) (vnext_general_feature_extractor.v1)

使用示例

类别显示名称名称类型描述必填/默认
输入端证券代码列表instruments通用

证券代码列表

*必填
特征列表features通用

特征列表

*必填
输入参数开始日期start_datestr

开始日期,示例 2017-02-12,一般不需要指定,使用 证券代码列表 里的开始日期

结束日期end_datestr

结束日期,示例 2017-02-12,一般不需要指定,使用 证券代码列表 里的结束日期

向前取数据天数before_start_daysfloat

向前取数据天数,比如,用户通过表达式计算的衍生特征,可能需要用到开始日期之前的数据,可以通过设置此值实现,则数据将从 开始日期-向前取数据天数 开始取。考虑到节假日等,建议将此值得大一些

90
输出端基础特征数据data通用

基础特征数据

文档更新时间:2019-12-06 08:47:13