文本数据

None

输出数据

特征输入，通过输入端和参数方式输入的特征将做合并

特征数据

# #号开始的表示注释，注释需单独一行
# 多个特征，每行一个，可以包含基础特征和衍生特征，特征须为本平台特征
return_5
return_10
return_20
avg_amount_0/avg_amount_5
avg_amount_5/avg_amount_20
rank_avg_amount_0/rank_avg_amount_5
rank_avg_amount_5/rank_avg_amount_10
rank_return_0
rank_return_5
rank_return_10
rank_return_0/rank_return_5
rank_return_5/rank_return_10
pe_ttm_0

输出数据

滚动训练参数，如果指定，将覆盖参数开始日期和结束日期

开始日期，示例 2017-01-01

结束日期，示例 2017-01-01

交易市场，见文档交易市场

代码列表，每行一个，如果指定，market参数将被忽略

None

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

数据

交易记录文件名

成交日期列名

证券代码列名

买卖标志列名

成交价格列名

成交数量列名

股票代码

交易记录

代码列表

特征列表

ID或别名，示例 bar1d

开始日期

结束日期

数据源

输入数据

指数证券代码，多个代码用英文逗号分隔

数据

用于回测交易的证券代码列表

股票数据

股票类别

上市板

行业

过滤ST，ST股票

过滤退市股票

输出剩余数据

输出数据

剩余数据

输入1，DataSource第1个

输入2，DataSource第2个

输入3，DataSource第3个

输入列表，DataSource列表

合并后的数据

输入CSV数据源

输出HDF数据源

输入数据源

训练-特征，去掉指定特征列空值。默认为空，去掉有空值的行

数据

输入数据

因子列表

描述分析结果

输入数据源

训练-特征

填充值，支持数值/mean/median，默认填充0.0

数据

输入数据

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

输出剩余数据

输出数据

剩余数据

第一个输入数据

第二个输入数据

关联列，多个列用英文逗号分隔

连接方式

对结果排序

连接后的数据

输入1

输入2

输入3

输入4

关联列，多个列用英文逗号分隔

连接方式

对结果排序

连接后的数据

输入数据

排序特征

根据哪一列排序

根据哪些列group，用逗号分隔

保留哪些列

升序

排序后数据

输入数据

因子列表

指定列

标准化数据

输入数据

自定义股票列表

[]

指定概念板块

[]

指定行业

[]

指数范围

['全A股']

过滤ST股

过滤停牌股

输出数据

输入数据

因子列表

指定列

指定标准差倍数

去极值数据

代码列表

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

# #号开始的表示注释
# 0. 每行一个，顺序执行，从第二个开始，可以使用label字段
# 1. 可用数据字段见 https://bigquant.com/docs/develop/datasource/deprecated/history_data.html
#   添加benchmark_前缀，可使用对应的benchmark数据
# 2. 可用操作符和函数见 `表达式引擎 `_

# 计算收益：5日收盘价(作为卖出价格)除以明日开盘价(作为买入价格)
shift(close, -5) / shift(open, -1)

# 极值处理：用1%和99%分位的值做clip
clip(label, all_quantile(label, 0.01), all_quantile(label, 0.99))

# 将分数映射到分类，这里使用20个分类
all_wbins(label, 20)

# 过滤掉一字涨停的情况 (设置label为NaN，在后续处理和训练中会忽略NaN的label)
where(shift(high, -1) == shift(low, -1), NaN, label)

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，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，如果给定，可以使用 benchmark_* 变量

删除无标注数据，是否删除没有标注的数据

将标注转换为整数，一般用于分类学习

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

{}

标注数据

用来做标注的数据，一般是行情数据

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

# #号开始的表示注释
# 0. 每行一个，顺序执行，从第二个开始，可以使用label字段
# 1. 可用数据字段见 https://bigquant.com/docs/develop/datasource/deprecated/history_data.html
# 2. 可用操作符和函数见 `表达式引擎 `_

# 计算收益：5日收盘价(作为卖出价格)除以明日开盘价(作为买入价格)
shift(close, -5) / shift(open, -1)

# 极值处理：用1%和99%分位的值做clip
clip(label, all_quantile(label, 0.01), all_quantile(label, 0.99))

# 将分数映射到分类，这里使用20个分类
all_wbins(label, 20)

# 过滤掉一字涨停的情况 (设置label为NaN，在后续处理和训练中会忽略NaN的label)
where(shift(high, -1) == shift(low, -1), NaN, label)

删除无标注数据，是否删除没有标注的数据

将标注转换为整数，一般用于分类学习

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

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

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

{}

标注数据

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

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

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

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

删除na数据，删除存在空数据(NA)的行

删除多余的列，删除不在输入特征、日期和代码的列

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

{}

输出数据，抽取后特征数据

代码列表

特征列表

表达式引擎自定义函数，字典格式，例: {'user_rank':user_rank}，字典的key是函数名称，字符串类型，字典的value是函数方法

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，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，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

并行计算数量

并行模式：集群模式，使用集群多机并行；单机模式，使用单机多进程并行；测试模式，仅随机选择少量数据做特征抽取，一般用于测试表达式是否正确

分钟数据源，分钟数据源表id

基础特征数据

自定义函数集，可用于多个自定义函数组合为一个集合

函数名

函数代码

def bigquant_run(df, some1, some2):
    # 用户自定义函数
    #     df: 表示所有输入数据，必须要
    #     some1/some2/..：表达式使用的时候传入参数
    #   e.g. 定义函数 bigquant_run(df, some1, some2) 并名字为 foo
    #        调用示例：foo(close, 2)，其中 some1=close, some2=2
    #   根据需要设定函数参数

    # 示例代码，在这里编写处理代码
    result = some1 + some2

    return result

函数

代码列表

特征列表

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，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，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

基础特征数据

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

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

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

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{'base_estimator': None}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

弱学习器个数，基准估计器个数，默认为10

随机子集比重，训练基准估计器使用该随机子集

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

数据有放回抽样，是否有放回采样，默认为True

特征有放回抽样，是否对特征有放回采样，默认为False

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_

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

并行作业数，同时使用多少个进程进行计算，默认是1

随机数种子，默认是0

其他训练参数，字典格式，例:{'criterion': 'mse'}

{'base_estimator': None}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

特征使用率，寻找最佳分割时要考虑的特征比率

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

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

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

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

特征使用率：寻找最佳分割时要考虑的特征比率

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

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

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

并行作业数，同时使用多少个进程进行计算，默认是1

随机数种子，默认是0

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定特征输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

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

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

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

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

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

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

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

近邻数，int类型，可选参数，默认值为5

K近邻权重类型，用于预测。默认值为uniform

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

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

距离度量，默认为minkowski，也称欧式距离

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

并行作业数，同时使用多少个进程进行计算，默认是1

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

损失函数

正则类型

L2 惩罚项(正则项) 参数

最大迭代次数

是否先随机打乱

初始学习率

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

指定惩罚项中使用的规范

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

是否存在截距或偏差，默认为True

停止求解的标准

正则化系数λ的倒数

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

并行作业数，同时使用多少个进程进行计算，默认是1

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

隐藏层的激活函数类型

优化器，用于优化权重，默认为adam

L2 惩罚项(正则项) 参数

随机优化算法的批量大小，如果优化器是 ‘lbfgs’, 将不会生效

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

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

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

特征使用率：寻找最佳分割时要考虑的特征比率

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

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

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

并行作业数，同时使用多少个进程进行计算，默认是1

随机数种子，默认是0

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定特征输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

核函数类型

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

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

核函数的常数项，对于poly和 sigmoid有用

停止训练的误差值大小，默认为1e-3

最大迭代次数，-1为无限制

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

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

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

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{'base_estimator': None}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

弱学习器个数，基准估计器个数，默认为10

随机子集比重，训练基准估计器使用该随机子集

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

数据有放回抽样，是否有放回采样，默认为True

特征有放回抽样，是否对特征有放回采样，默认为False

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_

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

并行作业数，同时使用多少个进程进行计算，默认是1

随机数种子，默认是0

其他训练参数，字典格式，例:{'criterion': 'mse'}

{'base_estimator': None}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

特征使用率：寻找最佳分割时要考虑的特征比率

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

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

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

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

特征使用率：寻找最佳分割时要考虑的特征比率

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

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

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

并行作业数，同时使用多少个进程进行计算，默认是1

随机数种子，默认是0

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

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

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

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

叶子节点最小样本数，int类型

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

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

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

近邻数，int类型，可选参数，默认值为5

K近邻权重类型，用于预测。默认值为uniform

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

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

距离度量，默认为minkowski，也称欧式距离

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

并行作业数，同时使用多少个进程进行计算，默认是1

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

是否计算该模型的截距

回归X是否被规范化，如果为True，回归X被规范化

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

并行作业数，同时使用多少个进程进行计算，默认是1

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

损失函数

正则类型

L2 惩罚项(正则项) 参数

最大迭代次数

是否先随机打乱

初始学习率

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

隐藏层的激活函数类型

优化器，用于优化权重，默认为adam

L2 惩罚项(正则项) 参数

随机优化算法的批量大小，如果优化器是 ‘lbfgs’, 将不会生效

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

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

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

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

特征使用率：寻找最佳分割时要考虑的特征比率

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

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

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

并行作业数，同时使用多少个进程进行计算，默认是1

随机数种子，默认是0

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

惩罚参数，默认值1.0

核函数

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

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

核函数的常数项，float类型，对于poly和sigmoid有用

停止训练的误差值大小，float类型

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

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

训练-数据(如果传入则需要指定模型输入)

训练-特征

训练-基础模型(可以在此模型上做继续训练(continue train))

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

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

预测-数据，如果不设置，则不做预测

学习算法，机器学习优化算法

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

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

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

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

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

特征列采样率：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列

数据行采样率：在构建每一颗树时，每个样本数据被使用的概率，如果为1，则每棵树都会使用所有数据行

NDCG discount base：用于计算NDCG的 discount = log2(base + position)，其中position从1开始。base越大，位置的影响越小

压缩数据列，移除不需要使用的列。一般设置为True

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

训练出来的模型

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

基础模型

继续训练的模型

条件表达式

模型

模型

数据

预测结果

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。

模型

数据

预测结果

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。

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

特征列表

评估测试数据集，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

基础模型，可以在此模型上继续训练

学习算法，机器学习优化算法

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

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

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

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

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

特征列采样率：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列

数据行采样率：在构建每一颗树时，每个样本数据被使用的概率，如果为1，则每棵树都会使用所有数据行

NDCG discount base：用于计算NDCG的 discount = log2(base + position)，其中position从1开始。base越大，位置的影响越小

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

模型

特征贡献

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。

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

特征列表

学习算法，机器学习优化算法

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

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

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

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

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

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

模型

特征贡献

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。

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

阻尼系数，取值在0.5到1之间，减少算法迭代产生震荡

最大迭代次数，默认为200

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

复制输入数据，是否复制输入数据，默认为True

距离度量方法，距离度量，目前支持precomputed和euclidean

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

训练数据集，聚类训练结果为列label

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

分类簇数量，默认为2

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

连接算法，如果使用ward，则距离度量只能使用euclidean

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

训练数据集，聚类训练结果为列label

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

输出时表示类别，是否标示类别输出，默认为True

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

分支因子，限制一个节点中的子集群的数量，默认是50

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

其他训练参数，字典格式，例:{'criterion': 'mse'}

{'n_clusters': 3}

训练出来的模型

训练数据集，聚类训练结果为列label

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

邻域的距离阈值，两样本间最大距离

最小样本数，核心点邻域中最小样本数，包括点本身

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

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

并行作业数，同时使用多少个进程进行计算，默认是1

其他训练参数，字典格式，例:{'criterion': 'mse'}

{'metric': 'precomputed'}

训练出来的模型

训练数据集，聚类训练结果为列label

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

簇的个数，聚类中心数量，默认为8

质心初始化方法，默认为k-means++

质心初始化次数，初始化质心的次数，默认为10

最大迭代次数，迭代得到最终质心的次数

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

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

并行作业数，同时使用多少个进程进行计算，默认是1

随机数种子，默认是0

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

训练数据集，聚类训练结果为列label

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

训练数据，如果传入，则需要指定模型输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

分类簇的数量，切图时降到的维数

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

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

特征值分解策略，amg存在稳定性问题，平台暂不支持

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

K-Means聚类的运行次数，最终结果是连续运行后的最佳输出

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

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

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

并行作业数，同时使用多少个进程进行计算，默认是1

随机数种子，默认是0

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

训练数据集，聚类训练结果为列label

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

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

主成分特征个数，希望PCA降维后的特征维度数目

白化，使得每个特征具有相同的方差

其他训练参数，字典格式，例:{'criterion': 'mse'}

{}

训练出来的模型

降维后的特征

降维后训练集，降维特征通过属性pca_features查看

降维后预测集，降维特征通过属性pca_features查看

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

训练出来的模型

转换后训练集

转换后预测集

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

特征缩放下限，将特征缩放到执行范围之间

特征缩放上限，将特征缩放到执行范围之间

训练出来的模型

转换后训练集

转换后预测集

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

标准化方法

训练出来的模型

标准化训练集

标准化预测集

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

训练出来的模型

转换后训练集

转换后预测集

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

中心化

数据是否按分位数缩放

缩放分位数下限，介于0.0到100.0之间

缩放分位数上限，介于0.0到100.0之间

训练出来的模型

转换后训练集

转换后预测集

训练数据，如果传入，则需要特征指定输入

特征，用于训练

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

中心化

缩放到单位标准差

训练出来的模型

转换后训练集

转换后预测集

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

待预测数据集

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

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

是否对结果排序

预测结果

训练数据

因子/特征，支持基础特征和衍生特征

验证数据

迭代次数

提前停止检测次数，停止训练的的检测次数

损失函数类型

类别个数，如果使用multi:softprob需要设置

评价指标

模型

学习率

最小节点分裂损失值

L2正则

L2正则偏置

L1正则

树的最大深度

树最多叶子个数

随机采样比例

参数字典

{}

训练出来的模型

训练数据

因子/特征，支持基础特征和衍生特征

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

迭代次数

损失函数类型

树最大叶子个数

学习率

每个叶子最少样本数

特征值离散化数量

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

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

参数字典

{}

训练出来的模型

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

特征贡献

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

待预测数据集

预测结果

训练数据

因子/特征，支持基础特征和衍生特征

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

损失函数类型

正则类型

正则损失函数的系数

训练迭代次数

训练时，是否先随机打乱

初始学习率

算法类型，classifier是分类算法，regressor是回归算法

训练出来的模型

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

待预测数据集

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

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

是否对结果排序

预测结果

训练数据

因子/特征，支持基础特征和衍生特征

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

树的个数，个数越多，则模型越复杂，计算速度越慢

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

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

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

并行度，同时使用多少个进程进行计算

随机数种子，默认是0

算法类型，classifier是分类算法，regressor是回归算法

训练出来的模型

训练数据

因子/特征，支持基础特征和衍生特征

模型，用于预测，如果不指定训练数据，则使用此模型预测

预测数据，如果不设置，则不做预测

迭代次数

损失函数类型

模型

树的最大深度

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

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

并行线程数，默认为1

gpu个数，本模块使用的gpu个数，-1表示自动，0表示不用GPU，1表示使用1个GPU

参数字典

{}

训练出来的模型

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

输入

输出

模型

模型

数据，pickle格式dict，包含x

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。

gpu个数，本模块使用的gpu个数

日志输出

预测结果

模型结构

训练数据，pickle格式dict，包含x和y

验证数据，pickle格式dict，包含x和y

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

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

None

目标函数，loss，目标函数/损失函数

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

None

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

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。

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

gpu个数，本模块使用的gpu个数

日志输出

训练后的模型

输入层

输入

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

weights，列表，列表用英文逗号(,)分隔，例如 1,2

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

输出

输入层

输入

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

输出

输入

卷积核数目，filters，即输出的维度

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

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

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。

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。

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

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

None

use_bias，是否使用偏置项

权值初始化方法，kernel_initializer，使用的是使用默认参数

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

None

偏置向量初始化方法，bias_initializer，使用的是使用默认参数

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

None

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

权值正则项L1，如果使用L1L2正则化，此参数有效

权值正则项L2，如果使用L1L2正则化，此参数有效

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

None

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

偏置向量正则项L1，如果使用L1L2正则化，此参数有效

偏置向量正则项L2，如果使用L1L2正则化，此参数有效

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

None

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

输出正则项L1，如果使用L1L2正则化，此参数有效

输出正则项L2，如果使用L1L2正则化，此参数有效

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

None

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

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)

None

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

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)

None

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

输出

输入

卷积核数目，filters，即输出的维度

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

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

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。

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”。

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。

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

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

None

use_bias，是否使用偏置项

权值初始化方法，kernel_initializer，使用的是使用默认参数

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

None

偏置向量初始化方法，bias_initializer，使用的是使用默认参数

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

None

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

权值正则项L1，如果使用L1L2正则化，此参数有效

权值正则项L2，如果使用L1L2正则化，此参数有效

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

None

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

偏置向量正则项L1，如果使用L1L2正则化，此参数有效

偏置向量正则项L2，如果使用L1L2正则化，此参数有效

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

None

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

输出正则项L1，如果使用L1L2正则化，此参数有效

输出正则项L2，如果使用L1L2正则化，此参数有效

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

None

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

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)

None

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

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)

None

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

输出

输入

卷积核数目，filters，即输出的维度

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

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

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。

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”。

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。

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

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

None

use_bias，是否使用偏置项

权值初始化方法，kernel_initializer，使用的是使用默认参数

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

None

偏置向量初始化方法，bias_initializer，使用的是使用默认参数

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

None

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

权值正则项L1，如果使用L1L2正则化，此参数有效

权值正则项L2，如果使用L1L2正则化，此参数有效

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

None

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

偏置向量正则项L1，如果使用L1L2正则化，此参数有效

偏置向量正则项L2，如果使用L1L2正则化，此参数有效

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

None

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

输出正则项L1，如果使用L1L2正则化，此参数有效

输出正则项L2，如果使用L1L2正则化，此参数有效

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

None

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

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)

None

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

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)

None

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