首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >用Python的Pandas和Matplotlib绘制股票唐奇安通道,布林带通道和鳄鱼组线

用Python的Pandas和Matplotlib绘制股票唐奇安通道,布林带通道和鳄鱼组线

作者头像
用户1153489
发布于 2020-08-24 03:28:39
发布于 2020-08-24 03:28:39
2K00
代码可运行
举报
运行总次数:0
代码可运行

我最近出了一本书,《基于股票大数据分析Python入门实战 视频教学版》,京东链接:https://item.jd.com/69241653952.html,在其中给出了MACD,KDJ等指标图的绘制方法。此外,还可以用价格通道来分析。根据指定股票通道指标的算法,能用过去一定时间段的交易数据绘制出上下两条通道线,即价格通道里的上下轨道。一般来说,当股价向上突破上轨时,即预测后市将涨,反之当股价向下突破下轨时,即预测后市将跌。

代码语言:txt
AI代码解释
复制
这里将根据若干算法,计算并绘制多种价格通道,从中大家一方面可以积累股市分析的经验,另一方面还能进一步掌握基于pandas的数据分析方法,以及基于matplotlib的可视化技巧。

1 计算并绘制唐奇安通道

代码语言:txt
AI代码解释
复制
唐奇安通道是由上阻力线、下支撑线和中心线这三条线组成。
代码语言:txt
AI代码解释
复制
上阻力线 = 过去N天的最高价
代码语言:txt
AI代码解释
复制
下支撑线 = 过去N天的最低价
代码语言:txt
AI代码解释
复制
中心线 =(上线 + 下线)除以 2
代码语言:txt
AI代码解释
复制
在实际的分析场景里,N的取值一般是20,在如下的DisplayDonChannel.py范例中,就用20天为周期,来计算并绘制唐奇安通道。
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
01    # coding=utf-8
02    import pandas as pd
03    import matplotlib.pyplot as plt
04    from mpl_finance import candlestick2_ochl
05    # 读数据
06    stockDf = pd.read_csv('D:/work/data/ch11/600530.ss.csv')
07    fig, ax = plt.subplots()
08    candlestick2_ochl(ax = ax, opens=stockDf["Open"].values, closes=stockDf["Close"].values, highs=stockDf["High"].values, lows=stockDf["Low"].values, width=0.75, colorup='red', colordown='green')
09    stockDf['up'] = stockDf['High'].rolling(window=20).max()
10    stockDf['up'].plot(color="green",label='上阻力线')
11    stockDf['down'] = stockDf['Low'].rolling(window=20).min()
12    stockDf['down'].plot(color="navy",label='下支撑线')
13    stockDf['mid'] = (stockDf['up']+stockDf['down'])/2
14    stockDf['mid'].plot(color="red",label='中心线')
15    ax.set_ylabel("收盘价(元)")
16    ax.grid()         # 带网格线
17    ax.legend()     # 绘制图例
18    #设置x轴文字间隔和旋转角度
19    index=stockDf.index[stockDf.index%7==0]
20    xtics=stockDf['Date'][stockDf.index%7==0]
21    plt.xticks(index,xtics)
22    plt.setp(plt.gca().get_xticklabels(), rotation=30)
23    plt.rcParams['font.sans-serif']=['SimHei']
24    plt.title("600530交大昂立20天唐奇安通道效果图")
25    plt.show()
代码语言:txt
AI代码解释
复制
在第5行到第8行的代码里,从csv文件里读到了股票交易数据,并通过调用candlestick2\_ochl方法绘制了k线图。在第9行里,通过rolling(window=20)方法得到了过去20天的最高价集合,在此基础上通过max()方法得到了过去20天的最高价,随后用第10行的plot方法绘制了上阻力线。
代码语言:txt
AI代码解释
复制
随后用同样的方法,用第11行和第12行的代码计算并绘制了下支撑线。在第13行里,设置了中心线为上阻力线和下支撑线的均值,并在第14行绘制了中心线。
代码语言:txt
AI代码解释
复制
由于在绘制上阻力线、下支撑线和中心线的时候都通过label参数设置了图例,随后在第17行用legend方法绘制了图例效果。为了能更直观地对比数据,所以在第16行里用grid方法设置了网格效果。
代码语言:txt
AI代码解释
复制
这里同样是通过第19行到第22行的代码,设置了x轴文字的间隔以及旋转角度,并在第24行里用title方法设置了标题。为了能显示中文标题,所以还需要加上第23行的语句。运行本范例,能看到如下图所示的效果,由于计算周期是20日,所以之前19日看不到对应的价格通道。而且从图上看,股价均在通道内运动,并没有向上和向下突破的动作,也就是说,从这些天的交易数据里,看不到基于20日唐奇安通道的买卖信号。

2 计算并绘制布林带通道

代码语言:txt
AI代码解释
复制
和上文描述的唐奇安通道类似,布林带通道也是通过上阻力线、下支撑线和中心线来绘制价格通道,这里的三条线算法如下所示。
代码语言:txt
AI代码解释
复制
中心线 = N日移动均线
代码语言:txt
AI代码解释
复制
上阻力线 = 中心线+两倍过去N天收盘价的标准差
代码语言:txt
AI代码解释
复制
下支撑线 = 中心线-两倍过去N天收盘价的标准差
代码语言:txt
AI代码解释
复制
而N的取值一般也是20。在如下的DisplayBollingerBands.py范例中,将演示计算并绘制20日周期布林带通道的做法。    
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
01    # coding=utf-8
02    import pandas as pd
03    import matplotlib.pyplot as plt
04    from mpl_finance import candlestick2_ochl
05    # 读数据
06    stockDf = pd.read_csv('D:/work/data/ch11/600530.ss.csv')
07    fig, ax = plt.subplots()
08    candlestick2_ochl(ax = ax, opens=stockDf["Open"].values, closes=stockDf["Close"].values, highs=stockDf["High"].values, lows=stockDf["Low"].values, width=0.75, colorup='red', colordown='green')
09    stockDf['mid'] = stockDf['Close'].rolling(window=20).mean()
10    stockDf['std'] = stockDf['Close'].rolling(window=20).std()
11    stockDf['up'] = stockDf['mid'] + 2*stockDf['std']
12    stockDf['down'] = stockDf['mid'] - 2*stockDf['std']
13    stockDf['up'].plot(color="green",label='上阻力线')
14    stockDf['down'].plot(color="navy",label='下支撑线')
15    stockDf['mid'].plot(color="red",label='中心线')
16    ax.set_ylabel("收盘价(元)")
17    ax.grid() # 带网格线
18    ax.legend()     # 绘制图例
19    #设置x轴文字间隔和旋转角度
20    index=stockDf.index[stockDf.index%7==0]
21    xtics=stockDf['Date'][stockDf.index%7==0]
22    plt.xticks(index,xtics)
23    plt.setp(plt.gca().get_xticklabels(), rotation=30)
24    plt.rcParams['font.sans-serif']=['SimHei']
25    plt.title("600530交大昂立20天布林带通道效果图")
26    plt.show()
代码语言:txt
AI代码解释
复制
本范例和之前的唐奇安通道的范例很相似,区别主要集中在第9行到第15行。在第9行里,先用rolloing和 mean方法计算过去20天的均值,以此作为中心线,再通过第10行的rolling和std方法,计算过去20天收盘价的标准差,在此基础上再通过第11行和第12行的代码计算上阻力线和下支撑线。
代码语言:txt
AI代码解释
复制
完成计算后,是通过第13行到第15行的plot方法绘制三条线,同时用label参数设置了图例。运行本范例,能看到如下图所示的效果。其中布林带通道的宽度是由过去20天收盘价的标准差决定,也就是说,如果过去20天收盘价波动比较大,那么布林带通道就比较宽,反之就比较狭窄。而且,虽然有个别价格向上或向下突破通道,但未形成“有效突破”,所以后期价格依然在通道内波动,由此大家能感受到“上阻力线”和“下支撑线”的“阻力”和“支撑”效果。

3 计算并绘制鳄鱼组线

代码语言:txt
AI代码解释
复制
鳄鱼组线其实不属于价格通道指标,但也是通过三条线来研判股价的走势,在鳄鱼组线里,三条线分别叫上唇、牙齿和下颚,具体算法如下所述。
代码语言:txt
AI代码解释
复制
上唇线是5天周期的价格平滑移动平均线( SMMA ),向未来延后3天,也就是说第8天才会开始展示上唇线,上唇线一般用绿线绘制。
代码语言:txt
AI代码解释
复制
牙齿线是由8天周期的价格平滑移动平均线,向未来延后5天,一般用红线绘制。
代码语言:txt
AI代码解释
复制
下颚线由13天周期的价格平滑移动平均线向未来延后8天,一般用蓝色绘制。
代码语言:txt
AI代码解释
复制
这里的平滑移动平均线SMMA也叫流畅移动平均线,这里以5天周期为例,讲下具体的算法。
代码语言:txt
AI代码解释
复制
第1个SMMA值(即第5天的平滑平均值) = 前五天收盘价的均价
代码语言:txt
AI代码解释
复制
第6天的值 = (该周期内收盘价的和 –第1个SMMA值 + 第6天的收盘价)/5
代码语言:txt
AI代码解释
复制
第7天的值 = (该周期内收盘价的和 – 第2个SMMA值 + 第7天的收盘价)/5
代码语言:txt
AI代码解释
复制
依次类推,第n天的值 = (该周期内收盘价的和 –上个SMMA值 + 第n日收盘价)/5
代码语言:txt
AI代码解释
复制
这里的算法涉及到计算平滑移动平均线,在如下的DisplayCrocodileLines.py范例中,就将演示用pandas库计算相关数值,并用matplotlib绘制鳄鱼组线的做法。
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
01    # coding=utf-8
02    import pandas as pd
03    import matplotlib.pyplot as plt
04    from mpl_finance import candlestick2_ochl
05    #计算各种SMMA06    def setSMMAVal(df, period):
07        for i in range(len(df)):
08            if i<period:
09                df['SMMA' + str(period)] = df.ix[i,'MA'+  str(period)]
10            else: #按算法计算SMMA11               df.ix[i,'SMMA'+ str(period)]=df.ix[i,'MA'+ str(period)] + (df.ix[i,'Close'] - df.ix[i-1,'SMMA'+ str(period)])/period
12        return df
代码语言:txt
AI代码解释
复制
在第6行的setSMMAVal方法里,是根据参数period指定的周期,计算各种SMMA值。具体而言,在第7行的for循环里,如果当前遍历的索引号小于周期值,则设置SMMA值为当天的MA均值,否则的话,则通过第11行的代码,按SMMA的算法,计算当天的值。
代码语言:txt
AI代码解释
复制
请注意这里的列名是动态拼接的,比如在第9行,如果当前参数是5,那么其实是用df['MA5'] 的值来填充df['SMMA' + str(period)]值。   
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
13    #计算三条鳄鱼组线
14    def setCrocodileVal(df):
15        #  用shift方法,把数据顺延
16        df['up'] = df['SMMA5'].shift(3)
17        df['mid'] = df['SMMA8'].shift(5)
18        df['down'] = df['SMMA13'].shift(8)
19        return df
代码语言:txt
AI代码解释
复制
在得到SMMA的值以后,可以通过第14行的setCrocodileVal方法来计算3条鳄鱼组线的值,这里的技巧是shift方法,比如在第16行里,是用df['SMMA5'].shift(3)代码,把当天的SMMA5值向后顺延3天,以此设置上唇线的值。在第17行和第18行里,也是用shift方法,顺延对应的SMMA值,得到牙齿线和下颚线的值。    
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
20    # 读数据
21    stockDf = pd.read_csv('D:/work/data/ch11/600530.ss.csv')
22    #算均值
23    stockDf['MA5'] = stockDf['Close'].rolling(window=5).mean()
24    stockDf['MA8'] = stockDf['Close'].rolling(window=8).mean()
25    stockDf['MA13'] = stockDf['Close'].rolling(window=13).mean()
26    #算三个SMMA27    stockDf = setSMMAVal(stockDf, 5)
28    stockDf = setSMMAVal(stockDf, 8)
29    stockDf = setSMMAVal(stockDf, 13)
30    #计算三个鳄鱼组线的值
31    stockDf = setCrocodileVal(stockDf)
代码语言:txt
AI代码解释
复制
通过第21行的代码得到csv里股票数据后,先通过第23行到第25行的代码,计算5天、8天和13天的均价,并通过第27行到第29行的代码计算三个SMMA值,随后再通过第31行的代码计算三个鳄鱼组线的值,至此完成计算,在后文里开始绘图。   
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
32    fig, ax = plt.subplots()
33    #为了突出三条组线,设置了透明度为0.5
34    candlestick2_ochl(ax = ax, opens=stockDf["Open"].values, closes=stockDf["Close"].values, highs=stockDf["High"].values, lows=stockDf["Low"].values, width=0.75, colorup='red',alpha=0.5, colordown='green')
35    #绘制三条组线
36    stockDf['up'].plot(color="green",label='上唇线')
37    stockDf['down'].plot(color="red",label='牙齿线')
38    stockDf['mid'].plot(color="blue",label='下颚线')
39    ax.set_ylabel("收盘价(元)")
40    ax.grid() # 带网格线
41    ax.legend()     # 绘制图例
42    #设置x轴文字间隔和旋转角度
43    index=stockDf.index[stockDf.index%7==0]
44    xtics=stockDf['Date'][stockDf.index%7==0]
45    plt.xticks(index,xtics)
46    plt.setp(plt.gca().get_xticklabels(), rotation=30)
47    plt.rcParams['font.sans-serif']=['SimHei']
48    plt.title("600530交大昂立鳄鱼组线效果图")
49    plt.show()
代码语言:txt
AI代码解释
复制
在第36行到第38行的代码里,是通过plot方法绘制了三条鳄鱼组线,同时通过color参数分别设置了颜色,通过label参数设置了图例。其他的可视化代码之前都已经分析过,这里就不再讲述了。运行本范例,能看到如下图所示的效果。
代码语言:txt
AI代码解释
复制
 由于在绘制K线图时通过alpha参数设置了透明度,所以这里三条鳄鱼组线更加明显。
代码语言:txt
AI代码解释
复制
按照股市分析理论,如果上唇线在牙齿线之上,同时牙齿线在下颚线之上,说明当前进入股价上升阶段。如果相反,上唇线在牙齿线之下,而牙齿线在下颚线之下,则说明股价进入下跌阶段。如果上图那样三条线相互交错缠绕,则通过该指标说明当前市场没有发出明确的买卖交易信号。不过本范例的主题是数据分析,所以请更关注计算三条线时用到的相关python方法。

本文可以转载,转载时请全文转载,别有删节,并用链接的形式给出原文链接。否则的话,可能会遇到出版社的维权。

代码语言:txt
AI代码解释
复制
 文本相关链接:

用Python爬取股票数据,绘制K线和均线并用机器学习预测股价(来自我出的书)

用Python语言绘制股市OBV指标效果

程序员如何高效学Python,如何高效用Python挣钱

用matplotlib和pandas绘制股票MACD指标图,并验证化交易策略

向大家介绍我的新书:《基于股票大数据分析的Python入门实战》

通过机器学习的线性回归算法预测股票走势(用Python实现)

在我的新书里,尝试着用股票案例讲述Python爬虫大数据可视化等知识

以股票RSI指标为例,学习Python发送邮件功能(含RSI指标确定卖点策略)

以预测股票涨跌案例入门基于SVM的机器学习

用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果(含量化验证交易策略代码)

用python的matplotlib和numpy库绘制股票K线均线的整合效果(含从网络接口爬取数据和验证交易策略代码)

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2020-08-20 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
真低代码!首个基于ChatGPT的自然语言开发框架PromptAppGPT:全自动编译、运行、界面生成
最近,CCF理论计算机科学技术委员会委员张长旺,开发了一个基于低代码提示语的快速应用开发框架PromptAppGPT,可以实现基于GPT的自然语言快速应用开发。
新智元
2023/08/05
4310
真低代码!首个基于ChatGPT的自然语言开发框架PromptAppGPT:全自动编译、运行、界面生成
[自然语言处理|NLP]NLP在预训练模型的发展中的应用:从原理到实践
自然语言处理(NLP)领域的发展取得了显著的突破,其中预训练模型的崛起引领了NLP技术的新潮流。本文将深入探讨预训练模型的发展历程、原理,并通过实例展示其在各个领域的创新应用,包括文本生成、情感分析、语义理解等。预训练模型的兴起不仅为NLP研究带来了新的思路,也为各行业提供了更强大的自然语言处理工具。
二一年冬末
2023/11/28
5180
使用 GPT4 和 ChatGPT 开发应用:第四章到第五章
现在你已经熟悉了 LLM 的基础知识和 OpenAI API,是时候将你的技能提升到下一个水平了。本章涵盖了强大的策略,将使你能够充分利用 ChatGPT 和 GPT-4 的潜力。从提示工程、零-shot 学习和少-shot 学习到为特定任务微调模型,本章将为你提供创建任何你能想象的应用所需的所有知识。
ApacheCN_飞龙
2024/01/18
1K0
使用 GPT4 和 ChatGPT 开发应用:第四章到第五章
【AI 大模型】提示工程 ④ ( 自然语言处理 NLG | 自然语言理解 NLU | 自然语言生成 NLG | 使用 提示词 + 大模型 实现 NLU | 使用 提示词 + 大模型 实现 NLG )
自然语言处理 ( NLP , Natural Language Processing ) , 指的是 " 人工智能 “ " 理解 " 和 ” 生成 " 人类语言的能力 , 包括
韩曙亮
2024/07/14
5760
【AI 大模型】提示工程 ④ ( 自然语言处理 NLG | 自然语言理解 NLU | 自然语言生成 NLG | 使用 提示词 + 大模型 实现 NLU | 使用 提示词 + 大模型 实现 NLG )
GitHub 热门!MindsDB 破解 AI + 数据库瓶颈,究竟有什么惊艳亮点?只需 SQL 即可实现智能预测
嗨,我是小华同学,专注解锁高效工作与前沿AI工具!每日精选开源技术、实战技巧,助你省时50%、领先他人一步。👉免费订阅,与10万+技术人共享升级秘籍!
小华同学ai
2025/06/20
2900
GitHub 热门!MindsDB 破解 AI + 数据库瓶颈,究竟有什么惊艳亮点?只需 SQL 即可实现智能预测
自然语言控制机械臂:ChatGPT与机器人技术的融合创新(上)
自OpenAI发布ChatGPT以来,世界正迅速朝着更广泛地将AI技术融合到机器人设备中的趋势发展。机械手臂,作为自动化与智能化技术的重要组成部分,在制造业、医疗、服务业等领域的应用日益广泛。随着AI技术的进步,机械手臂不仅能执行复杂的操作任务,还能通过自然语言处理技术进行更加直观的交互,极大提高了灵活性和用户友好性。
大象机器人
2024/04/12
7040
自然语言控制机械臂:ChatGPT与机器人技术的融合创新(上)
Python定时任务框架之Apscheduler 案例分享
  前面已经讲过Celery做定时任务的场景,现在分享另一个框架Apscheduler。Apscheduler的全称是Advanced Python Scheduler。它是一个轻量级的 Python 定时任务调度框架。同时,它还支持异步执行、后台执行调度任务。本人小小的建议是一般项目用APScheduler,因为不用像Celery那样再单独启动worker、beat进程,而且API也很简洁。
全栈测试开发日记
2023/02/02
2.1K0
Python定时任务框架之Apscheduler 案例分享
[自然语言处理|NLP] 自然语言生成中的应用:从原理到实践
自然语言生成(NLG)是自然语言处理(NLP)领域中的一个引人注目的分支,它旨在使用计算机系统生成类似人类语言的文本。本文将深入探讨NLG的背景、应用、技术和未来发展方向,为读者提供对这一领域的全面了解。
二一年冬末
2023/11/15
9150
第二章:Quartz API、调度任务以及触发器
其实Job就是使用者需要实现的调度任务接口,它以JobDetail的形式存放在Quartz管理的内存或者表里面。
Throwable
2020/06/23
1.7K0
深入Quartz,优雅地管理你的定时任务
最近在工作遇到了定时任务场景,因此特地对定时任务相关知识进行了调研,记录在此,后文中使用的代码已经上传到Github: https://github.com/ThinkMugz/springboot-demo-major,需要的伙伴儿自取。
云深i不知处
2022/05/11
4.9K0
深入Quartz,优雅地管理你的定时任务
作业调度框架 Quartz.NET 2.0 beta 发布
经过整整1年多时间的开发,Quartz.NET 2.0发布了beta版,对应于Java Quartz的2.1版本,下载地址 http://quartznet.sourceforge.net/download.html 。整个版本相对于1.0版本进行了大量的修改,单元测试的代码更友好(重构了更多的接口),API是基于泛型和.NET 3.5 SP1之后的特性,例如DateTimeOffset。这是Quartz.NET 有史以来最大的、最值得兴奋的一个版本。 该版本除了在性能上有所提升外,增加了如下新特性: Sc
张善友
2018/01/30
9130
精选论文 | 自然语言处理中的语言模型预训练方法【附打包下载】
最近,在自然语言处理(NLP)领域中,使用语言模型预训练方法在多项 NLP 任务上都获得了不错的提升,广泛受到了各界的关注。今天,两位主讲嘉宾为大家精选了近期语言模型预训练方法中的几个代表性模型(包括 ELMo,OpenAI GPT 和 BERT),和大家一起学习分享最新的研究进展。
马上科普尚尚
2020/05/11
1.1K0
精选论文 | 自然语言处理中的语言模型预训练方法【附打包下载】
自然语言处理学术速递[12.15]
【1】 CoCo-BERT: Improving Video-Language Pre-training with Contrastive Cross-modal Matching and Denoising 标题:Coco-BERT:用对比跨模态匹配和去噪改进视频语言预训练 链接:https://arxiv.org/abs/2112.07515
公众号-arXiv每日学术速递
2021/12/17
1K0
使用 ChatGPT ,通过自然语言编写 eBPF 程序和追踪 Linux 系统
eBPF 是一项革命性的技术,起源于 Linux 内核,可以在操作系统的内核中运行沙盒程序。它被用来安全和有效地扩展内核的功能,而不需要改变内核的源代码或加载内核模块。今天,eBPF被广泛用于各类场景:在现代数据中心和云原生环境中,可以提供高性能的网络包处理和负载均衡;以非常低的资源开销,做到对多种细粒度指标的可观测性,帮助应用程序开发人员跟踪应用程序,为性能故障排除提供洞察力;保障应用程序和容器运行时的安全执行,等等。eBPF 已经成为了一个越来越受欢迎的技术,它可以帮助我们更加高效地对内核和用户态的几乎所有应用进行追踪和分析。
云微
2023/02/24
7530
使用 ChatGPT ,通过自然语言编写 eBPF 程序和追踪 Linux 系统
为什么ChatGPT这么强?—— 一文读懂ChatGPT原理!
笔者工作和学历均与AI无关,对NLP的理解比较有限,因此无法保证本文中所有内容都是正确的。笔者非常欢迎大家能够指出文中的错误。
Atum
2022/12/22
2.6K1
为什么ChatGPT这么强?—— 一文读懂ChatGPT原理!
Flask 学习-86.Flask-APScheduler 创建定时任务
Flask-APScheduler是根据APScheduler编写的一个flask模块,它提供了API管理任务。
上海-悠悠
2023/01/03
2.3K0
AIOps系列 | 大模型入门实战
!! 大家好,我是乔克,一个爱折腾的运维工程,一个睡觉都被自己丑醒的云原生爱好者。
没有故事的陈师傅
2025/07/16
2820
AIOps系列 | 大模型入门实战
让 K8s 更简单!8 款你不得不知的 AI 工具 - Part 2
链接|https://itnext.io/ai-and-kubernetes-open-source-tools-powered-by-ai-for-kubernetes-59d0fc29213e
我的小碗汤
2024/04/02
4050
让 K8s 更简单!8 款你不得不知的 AI 工具 - Part 2
未闻Prompt名
个人觉得2021年NLP最火的两个idea,一个是对比学习(Contrastive Learning),另一个就是Prompt
mathor
2021/12/24
2.2K0
未闻Prompt名
Python定时任务
1、第一种办法是最简单又最暴力。那就是在一个死循环中,使用线程睡眠函数 sleep()。
周小董
2019/03/25
6K0
Python定时任务
推荐阅读
相关推荐
真低代码!首个基于ChatGPT的自然语言开发框架PromptAppGPT:全自动编译、运行、界面生成
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档