TensorFlow(2):给TensorFlow Image 打补丁增加 TuShare 支持

1,关于TuShare



TuShare 是一个python的lib 库非常好用。

并且是适合国内的股票市场的,可以直接下载国内的股票数据。

非常的方便。

同事 TensorFlow 已经支持了 Numpy。直接在这个上面增加TuShare类库就好了。

而且docker 的有点就出来了。一层一层的叠加了。

2,增加镜像



和上次一样重新增加一个启动脚本:

http://blog.csdn.net/freewebsys/article/details/70237003

vi run_jupyter.sh

#!/usr/bin/env bash
jupyter notebook --no-browser --NotebookApp.token=‘token1234‘ > /notebooks/jupyter-notebook.log 

Dockerfile :

FROM daocloud.io/daocloud/tensorflow:latest

RUN echo "deb http://mirrors.163.com/ubuntu/ xenial main restricted universe multiverse\ndeb http://mirrors.163.com/ubuntu/ xenial-security main restricted universe multiverse\ndeb http://mirrors.163.com/ubuntu/ xenial-updates main restricted universe multiverse\ndeb http://mirrors.163.com/ubuntu/ xenial-proposed main restricted universe multiverse\ndeb http://mirrors.163.com/ubuntu/ xenial-backports main restricted universe multiverse\ndeb-src http://mirrors.163.com/ubuntu/ xenial main restricted universe multiverse\ndeb-src http://mirrors.163.com/ubuntu/ xenial-security main restricted universe multiverse\ndeb-src http://mirrors.163.com/ubuntu/ xenial-updates main restricted universe multiverse\ndeb-src http://mirrors.163.com/ubuntu/ xenial-proposed main restricted universe multiverse\ndeb-src http://mirrors.163.com/ubuntu/ xenial-backports main restricted universe multiverse\n" > /etc/apt/sources.list

RUN apt-get update
RUN apt-get install -y python-lxml python-requests vim
RUN pip install tushare --upgrade

RUN rm -f /run_jupyter.sh
COPY run_jupyter.sh /run_jupyter.sh
ENTRYPOINT ["/run_jupyter.sh"]

一直以为这个镜像是debian的。结果mirrors 还写错成debian的。

还奇怪为啥要权限校验呢。

改成Ubuntu 的就没有问题了。是 Ubuntu 16.04 的版本。

然后构建镜像:


docker build -t myTensorFlow:1.0 .

启动:

docker run -it -v /data/tensorflow/notebooks:/notebooks -p 8888:8888  -p 6006:6006 -d myTensorFlow:1.0

3,调用TuShare 股票函数


import tushare as ts

print(tushare.__version__)

ts.get_hist_data(‘600848‘,start=‘2017-04-15‘,end=‘2017-04-20‘)

超级赞直接显示了。

同时在 jupyter 里面还有 各种类库的文档。

4,总结



本文的原文连接是: http://blog.csdn.net/freewebsys/article/details/70305363 未经博主允许不得转载。

博主地址是:http://blog.csdn.net/freewebsys

使用docker 还是非常的方便的。同时可以将经验以images 的方式分享给别人。

非常快速的搭建环境。提高开发效率。简化开发。

将更多的时间放到处理业务逻辑上。

同时,大家用的技术都一样了,就是大家的思路,思想不一样了。

得好好的学习下数学公式了,这个才是值得沉淀的东西。

时间: 2024-10-11 07:37:17

TensorFlow(2):给TensorFlow Image 打补丁增加 TuShare 支持的相关文章

移动端目标识别(3)——使用TensorFlow Lite将tensorflow模型部署到移动端(ssd)之Running on mobile with TensorFlow Lite (写的很乱,回头更新一个简洁的版本)

承接移动端目标识别(2) 使用TensorFlow Lite在移动设备上运行         在本节中,我们将向您展示如何使用TensorFlow Lite获得更小的模型,并允许您利用针对移动设备优化的操作. TensorFlow Lite是TensorFlow针对移动和嵌入式设备的轻量级解决方案.它支持端上的机器学习推理,具有低延迟和小二进制模型大小. TensorFlow Lite使用了许多技术,例如允许更小和更快(定点数学)模型的量化内核. 对于本节,您需要从源代码构建TensorFlow

Python爬虫之路——简单网页抓图升级版(增加多线程支持)

转载自我的博客:http://www.mylonly.com/archives/1418.html 经过两个晚上的奋斗,将上一篇文章介绍的爬虫稍微改进了下(Python爬虫之路--简单网页抓图),主要是将获取图片链接任务和下载图片任务用线程分开来处理了,而且这次的爬虫不仅仅可以爬第一页的图片链接的,整个http://desk.zol.com.cn/meinv/下面的图片都会被爬到,而且提供了多种分辨率图片的文件下载,具体设置方法代码注释里面有介绍. 这次的代码仍然有点不足,Ctrl-C无法终止程

为IIS增加PHP支持

环境: win2008x64 + PHP5.3 为IIS增加PHP支持

JDK7 NIO2 实践: 增加 TransmitFile支持(转)

JDK7的NIO2特性或许是我最期待的,我一直想基于它写一个高性能的Java Http Server.现在这个想法终于可以实施了.本人基于目前最新的JDK7 b76开发了一个HTTP Server性能确实不错.在windows平台上NIO2采用AccpetEx来异步接受连接,并且读写全都关联到IOCP完成端口.不仅如此,为了方便开发者使用,连IOCP工作线程都封装好了,你只要提供线程池就OK. 但是要注意,IOCP工作线程的线程池必须是 Fix的,因为你发出的读写请求都关联到相应的线程上,如果线

TeleMCU视频会议系统增加字幕支持

本文原创自 http://blog.csdn.net/voipmaker  转载注明出处. 最新版本TeleMCU增加了字幕支持,与会者可以看到其他人的名字,做法是在与会者的视频上overlay 文本字幕, 下图是三个客户端参与的7分屏视频会议画面,一个PC客户端,一个WebRTC客户端通过Chrome浏览器参与视频会议 ,一个iphone手机,每个画面左下角有参会者的标识. TeleMCU视频会议系统增加字幕支持

为Phonegap Android平台增加websocket支持,使默认成为socket.io首选通

为Phonegap Android平台增加websocket支持,使默认成为socket.io首选通道选择 广而告之 使用socket.io作为跨浏览器平台的实时推送首选,经测试在各个主流浏览器上测试都确实具有良好的下实时表现.这里为推广socketio-netty服务器端实现哈,做次广告,同时预热一下: socketio-netty : 又一款socket.io服务器端实现,兼容0.9-1.0版本~ 示范目的 我们要构建一个在市面上常见浏览器上都可以正常运行的集体聊天应用,保证在IE6+,Fi

TensorFlow(四) 用TensorFlow实现弹性网络回归算法(多线性回归)

弹性网络回归算法是综合lasso回归和岭回归的一种回归算法,通过在损失函数中增加L1正则和L2正则项,进而控制单个系数对结果的影响 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt from sklearn import datasets sess=tf.Session() #加载鸢尾花集 iris=datasets.load_iris() #花瓣长度,花瓣宽度,花萼宽度 预测 花萼长度 x_va

【TensorFlow实战】TensorFlow实现经典卷积神经网络之VGGNet

VGGNet VGGNet是牛津大学计算机视觉组与Google DeepMind公司的研究员一起研发的深度卷积神经网络.VGGNet探索了卷积神经网络的深度与其性能之间的关系,通过反复堆叠3*3的小型卷积核核2*2的最大池化层,VGGNet成功地构建了16~19层的卷积神经网络.VGGNet相比于之前state-of-the-art网络结构,错误率大幅下降,并取得了ILSVRC 2014比赛分类项目的第二名和定位项目的第一名.VGGNet的结构非常简洁,整个网络都是使用了同样大小的卷积尺寸3*3

【TensorFlow实战】TensorFlow实现经典卷积神经网络之Google Inception Net

Google Inception Net 0.前言 Google Inception Net首次出现在ILSVRC 2014比赛中,就以较大优势获得第一名.那届的Inception Net被称为Inception Net V1,它最大的特点就是控制了计算量和参数量的同时,获得了非常好的分类性能--top-5错误率6.67%,只有AlexNet的一半不到.Inception Net V1有22层深,比AlexNet的8层或者VGGNet的19层还要更深.但其计算量只有15亿次浮点运算,同时只有50