"New Neural" ist ein Open-Source-Projekt für neuronale Netzwerke für die MetaTrader 5-Plattform. - Seite 9
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
So kann es nicht sein. Verschiedene Typen in verschiedenen Schichten. Ich sage Ihnen, Sie könnten sogar jedes Neuron zu einer eigenen Schicht machen.
Was den Puffer betrifft, so möchte ich Ihnen ein Beispiel geben. Lass mich nach Hause gehen.
Eine Schicht ist eine Vereinigung von Neuronen, die in einer Iteration unabhängig voneinander sind.
Wer sagt, dass es nicht sein kann, aber ich möchte es, aber du schneidest mir die Flügel :o)
Man weiß nie, was sich die Leute einfallen lassen, und sagt ihnen, dass alle Neuronen in einer Schicht die gleiche Anzahl von Eingängen haben sollten.
Sie sollten alle unterschiedlich sein, selbst für Neuronen der gleichen Schicht, sonst haben wir nur einen Haufen Algorithmen (von denen es viele im Internet gibt), die schattiert werden müssen, um etwas miteinander zu verbinden.
SZY Wie viel schwieriger wäre der Algorithmus, wenn jedes Neuron eine eigene Schicht hätte?
Wer kann eine Online-Zeichensoftware für Diagramme und so weiter empfehlen?
Google Text & Tabellen enthält Zeichnungen, die Sie mit anderen teilen können.
Ich kann Teilzeitarbeit als Zeichnerin leisten, solange es nicht mehr als 1 Stunde pro Tag ist.
OK, für mich sind 4 der implementierten Netzwerke von Interesse
1. Kohonen-Netze, einschließlich SOM. Gut geeignet für die Partitionierung von Clustern, wenn nicht klar ist, wonach zu suchen ist. Ich denke, die Topologie ist wohlbekannt: Vektor als Eingang, Vektor als Ausgang oder anderweitig gruppierte Ausgänge. Lernen kann mit oder ohne Lehrer stattfinden.
2. die MLP in ihrer allgemeinsten Form, d. h. mit einer beliebigen Anzahl von Schichten, die als Graph mit Rückkopplungen organisiert sind. Sehr weit verbreitet.
3. Rückführungsnetz. Ehrlich gesagt, habe ich noch nie eine gut funktionierende nicht-lineare Implementierung gesehen. Sie wird zur Informationskompression und zur Extraktion der Hauptkomponenten (PCA) verwendet. In seiner einfachsten linearen Form wird es als lineares zweischichtiges Netz dargestellt, in dem sich das Signal von beiden Seiten ausbreiten kann (oder dreischichtig in seiner entfalteten Form).
4.Echo-Netzwerk. Im Prinzip ähnlich wie MLP, auch dort angewandt. Aber ganz anders in der Organisation und hat eine gut definierte Lernzeit (gut, und produziert immer ein globales Minimum, im Gegensatz zu).
5. PNN - Ich habe es nicht benutzt, ich weiß nicht wie. Aber ich denke, ich werde jemanden finden, der das tut.
6. Modelle für Fuzzy-Logik (nicht zu verwechseln mit probabilistischen Netzen). Nicht umgesetzt. Kann aber nützlich sein. Wenn jemand Informationen findet, bitte werfen. Fast alle Modelle haben japanische Urheberschaft. Fast alle werden manuell erstellt, aber wenn es möglich wäre, die Topologiekonstruktion durch logische Ausdrücke zu automatisieren (wenn ich mich richtig erinnere), wäre das unrealistisch cool.
+ Netze mit evolutionärer Zunahme der Zahl der Neuronen oder umgekehrt.
+ genetische Rhythmen + Methoden zur Lernbeschleunigung.
Ich habe eine kleine Klassifizierung wie diese gefunden
+ genetische Algorithmen
Die Genetik verschlingt eine Menge zusätzlicher Ressourcen. Gradientenalgorithmen sind besser.
Warum sollte man für die Nutzer entscheiden, was sie brauchen? Man muss ihnen eine Wahl lassen. PNN zum Beispiel verbraucht ebenfalls eine Menge Ressourcen.
Die Bibliothek sollte universell und umfangreich sein und es ermöglichen, Varianten von Lösungen zu finden, die nicht in den Standard-Backpropagationssätzen enthalten sind, die man im Internet finden kann.
Eine Schicht ist eine Vereinigung von Neuronen, die in einer Iteration unabhängig voneinander sind.
Wozu soll das gut sein?
Man weiß nie, was sich die Leute einfallen lassen, und sagt ihnen, dass alle Neuronen in der Schicht die gleiche Anzahl von Eingängen haben sollten.
Hmm. Jedes Neuron hat einen Eingang und einen Ausgang.
Alle Typen und Verbindungen können selbst für Neuronen der gleichen Schicht unterschiedlich sein, das sollte berücksichtigt werden, sonst haben wir nur einen Haufen Algorithmen (von denen es viele im Internet gibt), die geformt werden müssen, um etwas zu verbinden.
Zunächst einmal bin ich noch nicht fertig. Zweitens: Siehe die Regeln. Kritik später. Sie sehen das Modell nicht als Ganzes und fangen an zu kritisieren. Das ist nicht gut.
SZY Wie viel schwieriger wäre der Algorithmus, wenn jedes Neuron eine eigene Schicht hätte?
Algorithmus für was? Das würde das Lernen und Funktionieren nur verlangsamen.
Und was genau ist eine "Puffer"-Einheit?
Der Puffer ist die Einheit, über die Synapsen und Neuronen kommunizieren. Noch einmal: Mein Modell ist ganz anders als ein biologisches Modell.
_____________________
Tut mir leid, dass ich es gestern nicht fertiggestellt habe. Vergessen, für das Internet zu bezahlen, wurde abgeschnitten :)
Eine Schicht ist eine Vereinigung von Neuronen, die in einer Iteration unabhängig voneinander sind.
Wer sagt, dass es nicht sein kann, aber ich möchte es, aber du schneidest mir die Flügel :o)
Ich weiß nicht, was den Leuten einfällt, man kann sagen, dass alle Neuronen einer Schicht die gleiche Anzahl von Eingängen haben sollten.
Und die Typen und Verbindungen können alle unterschiedlich sein, sogar für Neuronen einer Schicht. Darauf müssen wir uns verlassen, sonst bekommen wir nur einen Haufen Algorithmen (viele davon im Internet), von denen wir etwas suchen müssen, um sie zu verbinden.
SZY Wie viel schwieriger wäre der Algorithmus, wenn jedes Neuron eine eigene Schicht hätte?
Theoretisch ist das wahrscheinlich möglich, in der Praxis habe ich so etwas noch nicht erlebt. Sogar mit der Idee zum ersten Mal.
Ich denke, dass rein zu experimentellen Zwecken, können Sie über die Umsetzung zu denken, im Rahmen des Projekts Umsetzung einer "bunten" Schicht ist wahrscheinlich nicht die beste Idee in Bezug auf die Arbeitskosten und die Umsetzung Effizienz.
Auch wenn mir persönlich die Idee gefällt, wäre eine solche Möglichkeit zumindest diskussionswürdig.
Warum sollte man für die Nutzer entscheiden, was sie brauchen?
? Die Genetik ist eine Lernmethode. Richtig wäre es, die Lernalgorithmen auszublenden und den besten Algorithmus zuerst auszuwählen.
? Die Genetik ist eine Lernmethode. Imho ist es am besten, die Lernalgorithmen zu begraben und den optimalen Algorithmus vorzuwählen.
Geht es bei der Arbeit mit dem NS nur um die Wahl der Topologie? Auch die Trainingsmethode spielt eine wichtige Rolle. Topologie und Lernen sind eng miteinander verbunden.
Jeder Nutzer hat seine eigene Meinung, man kann ihm also nicht die Hälfte der Entscheidungsfindung abnehmen.
Wir müsseneinen Netzwerk-Builder erstellen, der nicht durch irgendwelche Voreinstellungen begrenzt ist. Und zwar so universell wie möglich.
sergeev:
Die Bibliothek sollte universell und umfangreich sein und die Tür zu verschiedenen Lösungsvarianten öffnen, und nicht zum Standard-Set der Backpropagation gehören, das man ohnehin im Internet finden kann.
Geht es bei der Arbeit mit dem NS nur um die Wahl der Topologie? Auch die Trainingsmethode spielt eine wichtige Rolle. Topologie und Lernen sind eng miteinander verbunden.
Jeder Benutzer hat seine eigene Meinung, also kann man nicht die Hälfte der Entscheidung auf sich nehmen.
Wir müsseneinen NetworkBuilder erstellen, der nicht auf eine Voreinstellung beschränkt ist. Und zwar so universell wie möglich.