Diskussion zum Artikel "Neuronale Netze leicht gemacht (Teil 3): Convolutional Neurale Netzwerke"
Es wurde eine Menge Arbeit geleistet. Viel Zeit, da bin ich mir sicher. Was ist der Zweck dieser Artikelserie?
Wenn es eine Übung in der Programmierung auf MKL5 ist - es ist klar, Sie brauchen es. Jeder kann ausprobieren, was dieses Biest ist. Leider werden viele von den geringen Ergebnissen Ihrer Implementierungen enttäuscht sein und die weitere Suche in diesem Bereich aufgeben.
In der Praxis ist eine Einarbeitungszeit von mehr als 2 Stunden(!) inakzeptabel. Es gibt eine Menge Programme in verschiedenen Sprachen, die von verschiedenen großen Organisationen zu diesem Zweck entwickelt wurden. Wenden Sie sie einfach richtig an.
Viel Erfolg!
Es wurde eine Menge Arbeit geleistet. Viel Zeit, da bin ich mir sicher. Was ist der Zweck dieser Artikelserie?
Wenn es eine Übung in der Programmierung auf MKL5 ist - es ist klar, Sie brauchen es. Jeder kann ausprobieren, was dieses Biest ist. Leider werden viele Leute von den geringen Ergebnissen Ihrer Implementierungen enttäuscht sein und die weitere Suche in diesem Bereich aufgeben.
In der Praxis ist eine Einarbeitungszeit von mehr als 2 Stunden(!) inakzeptabel. Viele Programme sind zu diesem Zweck in verschiedenen Sprachen von verschiedenen großen Organisationen entwickelt worden. Wenden Sie sie einfach richtig an.
Viel Erfolg!
Guten Tag, Vladimir.
Der Zweck der Artikel ist es, die Möglichkeiten aufzuzeigen und jedem ein Werkzeug an die Hand zu geben, um eigene Programme zu erstellen.
Eine Epoche mehr als 2 Stunden langzu trainieren , ohne das Multithreading von Grafikkarten zu nutzen , ist ein durchaus akzeptables Ergebnis. In der Praxis wird ein neuronales Netz auf den vorbereiteten Daten trainiert, und wir arbeiten mit echten Daten, wobei ein aktueller Zustand für einen Bruchteil von Sekunden verarbeitet wird.
Ich stimme zu, die Beispiele zeigen ein niedriges Ergebnis, aber der Artikel war nicht dazu gedacht, jedem einen vorgefertigten Expert Advisor mit einer bestimmten Rentabilität zu geben. Zu diesem Zweck ist neben dem Tool selbst eine lange Arbeit über die Architektur neuronaler Netze erforderlich, begleitet von einer Reihe von Experimenten mit verschiedenen neuronalen Netzarchitekturen.
Es sind nicht 2 Stunden, sondern 2 Tage.)
Wie groß ist die Stichprobe? Wie viele Merkmale und wie viele Stichproben?
es sind nicht 2 Stunden, es sind 2 Tage).
Wie groß ist die Stichprobe? Wie viele Merkmale und wie viele Stichproben?
Die Stichprobe besteht aus 12453 Candlesticks (H1 für 2 Jahre). Das Netzwerk wird mit Informationen für 20 Candlesticks mit 12 Zeichen pro Candlestick gefüttert. Die Trainingszeit für eine Epoche beträgt 2-2,5 Stunden.
Hallo Dimitriy!
Vielen Dank für diese Artikelserie über Neuronale Netze! Ich genieße es wirklich, diese Artikel zu lesen (durch Google-Übersetzung ins Englische), da ich auch Neuronale Netze mit Backpropagation und verschiedenen Optimierungstechniken (wie Adam, RMSprop, etc.) in MQL5 implementiert habe. Um ehrlich zu sein, ist die MQL5-Sprache zu langsam für das Training von Nicht-Spielzeug-Problemen, aber solche Implementierungen sind trotzdem wertvoll. Trotz des pädagogischen Aspekts der Implementierung neuronaler Netze stellen wir fest, dass wir nicht auf die Programmiersprache MQL5 beschränkt sind, um ein Netz zu trainieren. Wir können Hochleistungspakete verwenden, um ein Netzwerk zu trainieren und dann die Gewichte (und andere Hyperparameter) in unsere MQL5-Programme übertragen, um sie zu testen und live zu handeln. Bitte veröffentlichen Sie weiterhin Ihre gute Arbeit! :)
Mit freundlichen Grüßen, Rasoul
Hallo Dimitriy!
Vielen Dank für diese Artikelserie über Neuronale Netze! Ich genieße es wirklich, diese Artikel zu lesen (durch Google-Übersetzung ins Englische), da ich auch Neuronale Netze mit Backpropagation und verschiedenen Optimierungstechniken (wie Adam, RMSprop, etc.) in MQL5 implementiert habe. Um ehrlich zu sein, ist die MQL5-Sprache zu langsam für das Training von Nicht-Spielzeug-Problemen, aber solche Implementierungen sind trotzdem wertvoll. Trotz des pädagogischen Aspekts der Implementierung neuronaler Netze stellen wir fest, dass wir nicht auf die Programmiersprache MQL5 beschränkt sind, um ein Netz zu trainieren. Wir können Hochleistungspakete verwenden, um ein Netzwerk zu trainieren und dann die Gewichte (und andere Hyperparameter) in unsere MQL5-Programme übertragen, um sie zu testen und live zu handeln. Bitte veröffentlichen Sie weiterhin Ihre gute Arbeit! :)
Mit freundlichen Grüßen, Rasoul
Danke!
Der Artikel ist sicherlich interessant. Vor allem in Bezug auf die Tatsache, dass alles in MQL implementiert ist und keine Bibliotheken erforderlich sind. Ich hoffe, dass es eine Fortsetzung geben wird. Das Testen des Expert Advisors hat leider noch nicht zu positiven Ergebnissen geführt.
Neuer Artikel Neuronale Netze leicht gemacht (Teil 3): Convolutional networks wurde veröffentlicht:
Autor: Dmitriy Gizlyk
Hallo. Vielen Dank für das hier. Ich habe eine Frage an Sie. Wie erhalten Sie die Pixelwerte für das Diagramm oder das Bild? Ich habe nachgeschaut, kann aber keine Erklärung finden, wie man die Pixelwerte des Diagramms ableitet, um sie in der Eingangsfaltungsschicht zu verwenden.
Hallo, Sie haben Recht. Die Faltungsschicht nimmt keine Pixel aus dem Diagramm. Meine Idee war eine andere. Ich nehme Daten von verschiedenen Indikatoren und historischen Kursen und gebe sie in den Input des neuronalen Netzwerks ein. Die Faltungsschicht sucht nach Mustern in diesen Daten und gibt einen Wert für jede Kerze zurück.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Neuronale Netze leicht gemacht (Teil 3): Convolutional Neurale Netzwerke :
Als Fortsetzung des Themas Neuronale Netze schlage ich vor, Convolutional Neurale Netzwerke (faltende Neuronale Netzwerke) zu besprechen. Diese Art von Neuronalen Netzwerken wird in der Regel für die Analyse von visuellen Bildern verwendet. In diesem Artikel werden wir die Anwendung dieser Netzwerke auf den Finanzmärkten besprechen.
Die Tests zeigen einen kleinen Leistungszuwachs des Convolutional Neuronalen Netzwerkes. Trotz der Hinzufügung von zwei Layern betrug die durchschnittliche Trainingszeit für eine Epoche (basierend auf den Ergebnissen von 24 Epochen) des Convolutional Neuronalen Netzwerkes 2 Stunden 4 Minuten und die des voll verbundenen Netzwerks 2 Stunden 10 Minuten.
Optisch kann man sehen, dass die Signale im Diagramm des Convolutional Neuronalen Netzwerks weniger häufig erscheinen, aber sie sind näher am Ziel.
Autor: Dmitriy Gizlyk