简介基于Python和深度学习的股票量化系统覆盖数据采集、分析、可视化与深度学习四大模块内置MACD、KDJ、网格交易等多套策略支持基金实时/历史/排行展示以及企业微信和邮件自动预警是一套可直接作为毕设或课程设计的完整项目。包体共244个文件以Python源码71个.py、80个.pyc为核心配以UI界面、layui前端样式、JSON配置、图片及README说明等合计3.53MB目录结构清晰。该项目经作者实测运行成功答辩评分96分并附带文档说明与架构图适合计算机相关专业学生做毕业设计、课程设计或初期立项演示也可供初学者进阶与二次开发。目前已有266人学习下载代码稳定可靠能帮助使用者掌握量化交易系统的功能拆解、策略回测与可视化展示的完整实现路径。1. 拿到这套量化系统源码第一步该看什么一个基于 Python 和深度学习实现的股票量化系统交付物里既有源码、文档说明还有架构图这套组合本身就是在回答一个问题别人做出来的量化系统凭什么能跑出曲线又凭什么值得你去用、去改、去继续投时间。市面上讲量化策略的课程多到泛滥但真正能让你从头跑到尾、再改出自己的版本的项目包反而稀缺。先说结论这套系统的核心链路是「数据 → 特征 → 深度学习模型 → 交易信号 → 回测 → 可视化」深度学习在链路里负责从历史行情中提取非线性规律而不是像传统机器学习模型那样主要依赖人工构造因子。很多人下载这类现货源码之后卡在三个地方依赖环境装不上、跑完不知道指标代表什么、改了个参数结果全面翻车。这篇文章不打算复述文档内容而是按一条可复现的路径帮你把系统拆开架构上它是怎么分层的数据怎么喂给模型模型输出怎么变成可交易的信号以及验证和可视化环节有哪些坑。前后端代码怎么组织、模型怎么训练、回测结果怎么解读后面每一章都会落到具体操作上。2. 读懂架构图模块边界、数据流向与最小启动命令2.1 架构图怎么读四层结构与数据流向拿到压缩包先别急着解压跑代码把架构图先看明白能省掉后面一半的排错时间。这类系统常见的做法是四层架构数据层、特征与模型层、策略与回测层、可视化层。数据层负责从数据源拉取行情并落盘特征与模型层负责构造训练样本、训练深度学习模型并输出预测策略与回测层把预测结果映射成买卖信号并模拟成交可视化层负责把净值曲线、买卖点、持仓变化画到前端页面上。四层之间通过数据格式解耦这是架构设计里最关键的一点。数据层输出的是标准化的 DataFrame 或 CSV字段名统一为 date、open、close、high、low、volume特征与模型层只认这个格式不关心数据是从哪个接口拉来的。策略层读取模型输出的概率分数不关心模型内部是 LSTM 还是别的结构。回测结果存成净值序列可视化层拿到序列就画图不关心回测的成交细节。这样每一层都能单独替换比如把 akshare 换成其他数据源把 LSTM 换成注意力模型都不会牵动整条链路。2.2 各模块选型与边界为什么这样分各模块的选型在架构图里通常不会写全但你在源码的依赖文件里能反推出来。数据层常见的是 pandas 加 akshare 或 tushare存储用 CSV 或 SQLite够用且零运维成本特征与模型层用 scikit-learn 做标准化和指标计算PyTorch 做模型训练策略与回测层就是纯 pandas 的向量化计算或逐行循环可视化层常见的是 Flask 或 FastAPI 提供接口前端用 ECharts 或 pyecharts 渲染 K 线和净值曲线。模块边界这件事踩过坑的人才会重视。很多人拿到源码后喜欢把数据获取、特征处理、模型训练写在一个脚本里跑通倒是快但后面每次调参都要把全流程重跑一遍。架构图里分好的层落到底层代码上就是模块间的接口约定。比如读数据函数只返回标准字段的数据特征构造函数只接收标准字段数据、返回带特征列的 DataFrame模型训练脚本只接收特征矩阵和标签。哪怕你只想换一个数据源只要把数据层函数改了后面所有模块不用动。这就是架构图值得你多花十分钟的原因。下表是各个模块的职责、常见选型与主要风险对照架构图看会更清楚模块职责常见选型主要风险数据层行情拉取、缓存、复权处理akshare、tushare、pandas、SQLite接口限流、复权方式不一致特征与模型层特征构造、标准化、模型训练与推理pandas、scikit-learn、PyTorch数据泄漏、过拟合、特征穿越策略与回测层信号生成、成交模拟、绩效计算pandas、NumPy未来函数、忽略涨跌停约束可视化层K线、买卖点、净值曲线展示Flask、pyecharts、ECharts信号时序错位、中文字体缺失2.3 本地环境配置与最小启动命令拿到源码先别急着跑训练先把环境固定住。这类项目的依赖一般写在 requirements.txt 里没有的话手动装下面几个核心包。Python 版本建议固定在 3.9不要直接上 3.11 或 3.12——很多数据处理库的预编译轮子在旧版本上最稳新版本反而要现场编译容易装到一半报错。这是第一个值得你记住的经验量化项目的依赖敏感度比普通 Web 项目高得多。conda create -n quant python3.9 -y conda activate quant pip install pandas numpy matplotlib scikit-learn pip install torch --index-url https://download.pytorch.org/whl/cpu pip install akshare pyecharts flask装依赖的顺序有讲究。先装 pandas 和 numpy再装 akshare因为 akshare 对 pandas 版本有要求顺序反了可能出现导入报错。torch 用 CPU 版本就够跑训练和推理不需要为预测任务配 CUDA显存对这类小模型不是瓶颈CPU 跑一个 LSTM 的训练也就几分钟到十几分钟。装完依赖后先跑数据层的最小命令验证环境是否通再跑模型训练脚本。提示如果你用的是 Mac 或 Linuxconda 创建环境后建议再执行python -c import pandas; import torch; print(pandas.__version__, torch.__version__)能同时验证两个核心库的兼容性。3. 从行情数据到训练样本特征构造、标签设计与参数调优3.1 行情数据获取与预处理数据获取这一步看似简单但复权处理直接决定回测数据的真实性。A 股市场分红送股频繁不复权的价格在除权日会出现断崖式下跌模型会把这个事件当作暴跌信号训练出来全是噪声。常见做法是用前复权数据也就是让历史价格按后续分红情况整体调整保证价格序列连续。# 用 akshare 拉取 A 股日线数据前复权 import akshare as ak import pandas as pd def load_daily(symbol: str, start: str, end: str) - pd.DataFrame: df ak.stock_zh_a_hist( symbolsymbol, perioddaily, start_datestart, end_dateend, adjustqfq # 前复权模拟真实可成交价格 ) # 只保留回测和模型需要的字段 df df[[日期, 开盘, 收盘, 最高, 最低, 成交量]] df.columns [date, open, close, high, low, volume] df[date] pd.to_datetime(df[date]) return df.set_index(date).astype(float)这段代码的关键在 adjust 参数。前复权会让历史价格按未来分红除权进行调整适合回测场景因为回测时你模拟的是当前视角下的历史可成交价。后复权则保持历史价格不变适合做长期收益分析。两者算出来的收益曲线在存在分红的股票上差异明显混用会导致特征和标签不匹配——比如训练时用前复权数据回测却用不复权数据模型在除权日附近的表现会完全失真。3.2 特征构造与标签设计时序切分不能随机打乱特征构造直接决定深度学习模型能学到什么。原始行情只有开高低收量五个字段模型不可能直接从这些字段里抽象出有效规律需要先构造具有金融含义的特征。常见的做法是组合三类特征动量类、波动类和量价类。def build_features(df: pd.DataFrame, horizon: int 5) - pd.DataFrame: df df.copy() # 动量类过去5日和20日收益率 df[ret_5] df[close].pct_change(5) df[ret_20] df[close].pct_change(20) # 波动类振幅和20日波动率 df[amplitude] (df[high] - df[low]) / df[close] df[volatility] df[ret_5].rolling(20).std() # 量价类成交量相对20日均量的倍数 df[vol_ratio] df[volume] / df[volume].rolling(20).mean() # 标签未来 horizon 日收益是否为正二分类 df[label] (df[close].shift(-horizon) df[close]).astype(int) return df.dropna()标签构造用的是shift(-horizon)意思是取未来第 5 天的收盘价与今天比较涨了标 1跌了或平了标 0。这里有一个新手最常见的操作错误在构造特征时不小心把未来数据卷进来。特征必须全部用历史窗口的数据标签用未来数据是合理的但两者要严格分离。上述代码里所有特征列都只依赖当前时刻及之前的数据这是标准做法。数据准备好之后切分训练集和验证集是另一个重灾区。普通机器学习项目经常用train_test_split随机打乱数据量化项目绝对不能这么干。时间序列一旦随机打乱模型就相当于偷看了未来的答案验证集的指标会虚高得离谱。我一般会按时间顺序切分比如前 80% 做训练、后 20% 做验证并且保证切分点不断在交易日中间。3.3 模型结构选择与训练参数表模型选型上这类系统最常见的结构是多层 LSTM 加全连接输出层。股票行情是典型的时间序列LSTM 的门控结构能记住数十个交易日内的价格形态这在捕捉短期趋势时比随机森林这类传统机器学习模型更自然。传统模型需要把每个交易日的特征摊平成向量时序关系被打散了LSTM 则按时间步逐个读入保留顺序信息。import torch import torch.nn as nn class QuantLSTM(nn.Module): def __init__(self, n_features: int, hidden_size: int 64, num_layers: int 2, dropout: float 0.2): super().__init__() self.lstm nn.LSTM( input_sizen_features, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, # 输入形状 [batch, seq_len, features] dropoutdropout # 多层之间加 dropout 防过拟合 ) self.head nn.Sequential( nn.Linear(hidden_size, 32), nn.ReLU(), nn.Linear(32, 1) # 输出涨跌概率的 logit ) def forward(self, x): out, _ self.lstm(x) return self.head(out[:, -1, :]) # 只取最后一个时间步的输出forward 里out[:, -1, :]是这类模型的一个关键操作。LSTM 每个时间步都会输出一个隐状态但预测未来一天的涨跌只需要最后一个时间步的隐状态因为它已经把前面所有信息压缩进去了。如果你的输入序列长度是 60模型看到第 60 个交易日的数据后才输出预测结果这样就不会用到第 60 天之后的信息。训练参数建议按下面这张表初始化先跑通再调整参数推荐值作用与注意点seq_len60用过去60个交易日构造一个样本约一个季度hidden_size64隐状态维度太大容易过拟合太小学不到规律num_layers2两层LSTM在金融时序上性价比最高三层以上收益有限dropout0.2防止过拟合调大后训练收敛会变慢batch_size6464或128均可取决于内存和样本量learning_rate0.001Adam优化器常用初始值损失震荡时降到0.0003epochs50配早停不配早停就调大epochs并手动看损失曲线训练循环要配早停这是深度学习训练里最不能省的一步。金融数据的信噪比极低模型在训练集上持续降低损失很容易但验证集通常在某个 epoch 之后开始变差。早停就是在验证集损失连续 N 个 epoch 不下降时终止训练并保存验证集表现最好的模型权重这是防止过后拟合后悔药。best_val_loss float(inf) patience 5 trigger 0 for epoch in range(50): train_loss train_one_epoch(model, train_loader, optimizer) val_loss evaluate(model, val_loader) if val_loss best_val_loss: best_val_loss val_loss torch.save(model.state_dict(), best_model.pth) trigger 0 else: trigger 1 if trigger patience: print(fearly stop at epoch {epoch}) break早停的 patience 设置为 5 比较合适太小会导致训练提前中断模型还没收敛就被掐掉太大则失去了早停的意义验证集已经变差了还在继续训练。训练完成后保存的是验证集表现最好的权重不是最后一轮的权重这一点很多人会在训练结束忘记恢复最优权重直接用最后一轮参数去做预测效果会打折扣。4. 模型输出不是信号回测引擎与可视化模块的完整衔接4.1 信号生成概率分数到持仓状态的映射模型输出的是一个 0 到 1 之间的概率分数代表「未来第 5 天上涨」的可能性。很多初学者直接把概率大于 0.5 当买入信号、小于 0.5 当卖出信号这样做的结果是交易频率极高手续费和滑点吃掉了所有收益。实际上要把概率分数映射到仓位状态中间还要过一道信号生成逻辑。def generate_signal(prob: float, prob_threshold: float 0.55) - int: 概率分数转持仓信号。 返回 1 代表持仓0 代表空仓。 threshold 调高则信号更少但更准调低则信号频繁但噪声多。 if prob prob_threshold: return 1 return 0阈值选多少取决于你想要的交易频率。0.55 意味着模型只有对上涨有较大把握时才买入一年可能只触发十几次交易调到 0.5 交易频率会大幅上升但每次交易的确定性下降。我一般会把阈值放在参数敏感性分析里一起扫而不是拍脑袋定一个值。这个参数与训练轮数不同它对最终收益曲线的影响往往比模型结构还大。4.2 最小回测引擎实现成交时点与交易成本信号生成之后回测引擎负责模拟真实的交易过程。回测引擎设计有一个铁律信号在第 t 天收盘后产生最早只能在第 t1 天开盘成交。原因在于模型预测时用的是第 t 天的收盘价而收盘价出来时当天的交易已经结束了你不可能回到当天开盘去成交。这一条规则被违反的情况叫「未来函数」是回测曲线虚高的头号原因。def run_backtest(df, signals, fee_rate0.00025, tax_rate0.001, slippage0.0005): initial_cash 100000.0 cash initial_cash position 0.0 equity_curve [] for i in range(1, len(df)): # 信号在第 i-1 天收盘产生第 i 天开盘成交 if signals[i-1] 1 and position 0: buy_price df[open].iloc[i] * (1 slippage) position cash / buy_price cash 0.0 elif signals[i-1] 0 and position 0: sell_price df[open].iloc[i] * (1 - slippage) cash position * sell_price * (1 - fee_rate - tax_rate) position 0.0 # 每日总资产 现金 持仓市值用于计算净值曲线 total cash position * df[close].iloc[i] equity_curve.append(total) equity pd.Series(equity_curve, indexdf.index[1:]) return equity / initial_cash # 净值序列初始为 1.0交易成本分三块佣金、印花税和滑点。佣金按成交金额的万 2.5 计算买卖双向都收印花税只在卖出时收当前是千分之一滑点保守一点按万分之五估算因为开盘价成交往往比盘中价差尤其是信号触发时大家都在抢。这三个参数对回测结果影响显著尤其是交易频率高的策略成本可能吃掉一半以上收益。如果你把手续费设成 0 跑出来的年化 30%加上真实成本后大概率只剩年化 10%。回测跑完后要看的指标不是总收益率一个数至少要看年化收益率、最大回撤和夏普比率。最大回撤反映策略在最坏情况下亏多少夏普比率反映每承担一单位风险能换来多少超额收益。年化收益率高但最大回撤 40% 的策略实盘心态很容易崩。4.3 可视化K线信号标注与净值曲线可视化层的作用是让你一眼看出策略在哪些位置买卖、净值曲线是否平滑。常见做法是用 pyecharts 生成独立的 HTML 文件不需要额外搭前端服务。K 线图叠加买卖点标记净值曲线独立成图下面再加一个回撤区间标注。from pyecharts.charts import Kline, Line from pyecharts import options as opts # 准备K线数据pyecharts 要求按 [open, close, low, high] 排列 kline_data df[[open, close, low, high]].values.tolist() dates [str(d.date()) for d in df.index] kline Kline() kline.add_xaxis(dates) kline.add_yaxis( 日K, kline_data, itemstyle_optsopts.ItemStyleOpts(color#ef232a, color0#14b143) ) kline.set_global_opts( title_optsopts.TitleOpts(title沪深300 日K与信号), datazoom_opts[opts.DataZoomOpts(range_start0, range_end100)], yaxis_optsopts.AxisOpts(is_scaleTrue) )K 线数据格式要注意pyecharts 要求按开盘、收盘、最低、最高的顺序传入不是常见的开高低收顺序。颜色配置上红色代表上涨、绿色代表下跌与 A 股习惯一致如果跑的是美股数据需要反过来。买卖点标记要传给MarkPointOpts标记的 x 轴坐标就是信号发生的日期y 轴坐标用当天收盘价。可视化这块还有一个容易被忽略的点信号日期与成交日期的对应关系。信号在第 t 天收盘后产生、第 t1 天开盘成交图上标记信号点时要标在第 t 天还是第 t1 天我的习惯是图上照实画两条信号产生的位置用空心圆标记实际成交的位置用实心三角标记中间隔了一天开盘。这样回测代码和图表一眼就能对起来不会出现「图上明明在低点买入回测记录里却是第二天开盘才买」的困惑。5. 量化系统避坑清单五个高频翻车点与对应排查手段5.1 现象回测收益翻倍实盘样本外全面走样——数据泄漏排查最典型的场景训练集上准确率 70% 以上回测曲线一路向上但换一段没参与训练的时间段跑曲线直接崩掉。这个现象背后通常是数据泄漏。数据泄漏有两种常见路径一是特征构造时不小心用了未来数据比如计算某指标时包含了当天的收盘价和未来几天的数据二是标准化时用全量数据的均值和方差去缩放训练集等于把验证集的信息提前透露给了模型。排查手段是写一个泄漏扫描函数检查特征列与未来收益的相关性是否异常偏高。注意这只是一个快速筛查手段严格的数据泄漏需要逐列审查特征计算逻辑尤其是滚动窗口函数里是否误用了shift(-n)。def scan_leakage(df, feature_cols, horizon5): leak_cols [] future_ret df[close].shift(-horizon) / df[close] - 1 for col in feature_cols: corr_future df[col].corr(future_ret) corr_past df[col].corr(df[close].shift(horizon) / df[close] - 1) # 与未来相关性显著高于与过去相关性需人工检查 if abs(corr_future) abs(corr_past) * 2: leak_cols.append(col) return leak_cols解决方式分两步先删掉有泄漏的特征列再把标准化操作改成只对训练集 fit、对验证集和测试集 transform。scikit-learn 的StandardScaler要先fit(train_features)再transform(val_features)不要对全量数据调用fit_transform。这个错误我在早期项目里犯过不止一次每次都是回测曲线异常漂亮然后实盘翻车最后定位到这一行代码时后悔药都没得吃。5.2 现象涨停买不进、跌停卖不出——回测缺了成交约束回测时按开盘价就能成交实盘里遇到涨停板开盘则根本排不上队。涨停时卖盘稀少买单排队到收盘都未必能成交跌停时反过来卖单排队也出不去。回测里不做这些约束曲线会虚高尤其信号喜欢在暴涨暴跌后触发时偏差巨大。解决方式是在回测循环里加入涨跌停近似判断。A 股主板涨跌停限制是 10%ST 股是 5%计算基准是前一天收盘价。如果当天的开盘价已经触及涨跌停价直接跳过这次交易保持当前持仓状态不变。limit_up df[open].iloc[i] df[close].iloc[i-1] * 1.095 limit_down df[open].iloc[i] df[close].iloc[i-1] * 0.905 if limit_up or limit_down: # 无法按计划价成交跳过本次信号维持原仓位 continue1.095和0.905是考虑了四舍五入的近似涨停价实际判断可以用round(df[close].iloc[i-1] * 1.1, 2)更精确。创业板和科创板涨跌幅是 20%如果回测标的涉及这些板块阈值要相应调整。回测引擎里加不加这十几行代码结果差异可能达到年化 5 到 10 个百分点。5.3 现象验证集损失忽高忽低——超参设置与数据切分问题训练过程中验证集损失不是平滑下降而是震荡剧烈甚至几个 epoch 后突然飙升这个现象在金融数据上非常常见。原因有两个方向一是学习率太大优化器在损失曲面的陡坡上来回震荡二是验证集本身太短包含的行情阶段太单一一遇到极端波动区间损失就会跳变。先降学习率从 0.001 降到 0.0003看震荡幅度是否收窄。如果还是震荡检查验证集的时间跨度是否覆盖了至少一个完整的涨跌周期比如牛熊转换段。验证集只有一两个月的震荡行情评估结果天然不稳定。还有一个细节固定随机种子。PyTorch 和 NumPy 的随机初始化会导致每次训练结果不同设置torch.manual_seed(42)和np.random.seed(42)保证可复现不然你调了半天超参换一次运行结果又变了根本无法对比。5.4 现象因子与标签高度相关——特征泄漏还是很隐蔽有一种泄漏比标准化泄漏更隐蔽标签本身参与过特征计算。比如 label 是「未来 5 天是否上涨」而某个特征列是「过去 20 天平均涨幅」两者本来就有相关性这不叫泄漏是正常方向性。但如果你加了一个特征叫「未来 3 天动量」——这就是把未来信息写进了特征模型等于直接看到了答案。判断标准很简单任何一个特征的计算公式里只要出现了对当前时刻之后数据的引用就是特征泄漏。包括用了shift(-n)、用了rolling(window).mean()但窗口中心不对齐、或者直接拼接了未来日期的数据。排查时逐行检查特征工程的代码重点看所有 shift 函数的参数负值就危险。5.5 现象K 线图上信号错位——成交时点规则不统一可视化图上的买卖点和回测报告里的成交记录对不上这个问题几乎每个人都会遇到。原因在于信号产生、信号标记、实际成交用了三个不同的时间基准模型用第 t 天收盘数据预测代码在第 t 天 K 线上标记了信号回测却在第 t1 天开盘成交。三套时间混在一起图表自然对不上。解决方案是统一规则信号产生日画空心标记成交日画实心标记。如果嫌麻烦至少在文档或代码注释里写明这个时间偏移不然过两个月你自己回头看代码都会糊涂。更规范的做法是让可视化函数直接接收回测引擎输出的成交记录 DataFrame包含 buy_date、buy_price、sell_date、sell_price 四个字段图表从这份记录里取买卖点坐标保证回测和图表永远一致。6. 上线前值得做的验证滚动前推与参数敏感性分析6.1 滚动前推验证把时间轴切成可重复的历史考试模型在固定训练集上表现好不能说明它在未来也能表现好。金融市场的状态会切换2019 年的行情规律到 2022 年可能完全失效。一个更可靠的验证方式是滚动前推验证把数据按时间切成多段每次用前一段训练、后一段验证然后整体向后平移重复多次。这样等于让模型经历了多轮「历史考试」而不是只考一次期末。def walk_forward(df, train_days750, test_days125): train_days 约 3 年交易日test_days 约半年。 每次训练用前面 3 年验证用后面半年然后整体滑动。 results [] for start in range(0, len(df) - train_days - test_days, test_days): train df.iloc[start:start train_days] test df.iloc[start train_days:start train_days test_days] # 训练模型 → 在 test 上生成信号 → 回测 model train_model(train) signals predict(test, model) equity run_backtest(test, signals) results.append(equity.iloc[-1]) return results滚动前推的步长用 test_days 意味着训练集不重叠、验证集也不重叠每组实验之间完全独立。如果你的样本量足够可以把步长设成 test_days 的一半让验证集有部分重叠这样能多出几组实验结果但独立性变差。多组实验的净值最终值放在一起看如果有一组明显低于其他组你至少要搞清楚那一时间段市场发生了什么——是单边下跌还是政策冲击这能帮你判断策略失效是由于规律变化还是运气问题。6.2 参数敏感性分析避免靠运气调出好曲线量化系统的参数不止模型超参还有信号阈值、手续费假设、序列长度、持仓周期。每一个参数单独看都可能「合理」但组合在一起是否稳健是另一回事。参数敏感性分析的做法是选两三个核心参数做网格扫描看收益和回撤随参数变化的趋势。如果某个参数从 0.5 改成 0.55 收益翻倍从 0.55 改成 0.6 收益变负说明策略对这个参数极度敏感实盘稍有偏差就会翻车这样的参数组合不可用。results [] for threshold in [0.50, 0.55, 0.60, 0.65]: for seq_len in [40, 60, 80]: # 按当前参数组合跑完整流程训练 → 预测 → 回测 equity run_pipeline(thresholdthreshold, seq_lenseq_len) results.append({ threshold: threshold, seq_len: seq_len, annual_return: compute_annual_return(equity), max_drawdown: compute_max_drawdown(equity), })扫描结果里看两个东西一是有没有一个参数组合在多个相邻参数下都保持稳定收益二是收益最高的参数组合是否落在参数平面的边缘。如果一个参数组合必须卡在边界值才能盈利说明策略本身没有找到真正的规律只是在数据里挖出了一个巧合。反过来如果相邻参数组合的收益差异不大说明策略对参数不敏感这种稳健性才是实盘最需要的。我自己的习惯是把这类分析画成热力图横轴是阈值、纵轴是序列长度、颜色是年化收益一眼就能看出来哪块区域是「安全区」。最后聊一下我的习惯每次拿到别人的量化项目我总是先花一个晚上把架构图和数据流捋清楚再跑最小化验证最后才碰训练和调参。这个顺序帮我避开了无数因为环境和数据问题导致的假结果。希望帮到你。本文还有配套的精品资源点击获取
