Diskussion zum Artikel "Neuronale Netze leicht gemacht (Teil 93): Adaptive Vorhersage im Frequenz- und Zeitbereich (letzter Teil)"
Dmitry Hallo!
Wie trainieren Sie und füllen Sie die Datenbank der Beispiele für ein Jahr der Geschichte? Ich habe ein Problem mit dem Auffüllen neuer Beispiele in der bd-Datei in Ihrem Expert Advisors aus den letzten Artikeln (wo Sie ein Jahr der Geschichte verwenden). Die Sache ist die, dass, wenn diese Datei die Größe von 2 GB erreicht, beginnt es offenbar zu schief gespeichert werden und dann das Modell Training Expert Advisor kann es nicht lesen und gibt einen Fehler. Oder die Datei bd beginnt stark zu schrumpfen, mit jeder neuen Hinzufügung von Beispielen bis zu einigen Megabytes und dann gibt der Trainingsberater immer noch einen Fehler. Dieses Problem tritt bis zu 150 Trajektorien auf, wenn man ein Jahr lang Geschichte schreibt, und etwa 250, wenn man 7 Monate lang Geschichte schreibt. Die Größe der bd-Datei wächst sehr schnell. Zum Beispiel wiegen 18 Trajektorien fast 500 MB. 30 Trajektorien sind 700 MB groß.
Um zu trainieren, müssen wir daher diese Datei mit einem Satz von 230 Trajektorien über 7 Monate löschen und sie mit einem vortrainierten Expert Advisor neu erstellen. Aber in diesem Modus funktioniert der Mechanismus zur Aktualisierung der Trajektorien beim Auffüllen der Datenbank nicht. Ich nehme an, dass dies auf die Begrenzung von 4 GB RAM für einen Thread in MT5 zurückzuführen ist. Irgendwo in der Hilfe wurde darüber geschrieben.
Interessant ist, dass in früheren Artikeln (wo die Historie 7 Monate umfasste und die Basis für 500 Trajektorien etwa 1 GB wog) ein solches Problem nicht auftrat. Ich bin nicht durch PC-Ressourcen eingeschränkt, da der Arbeitsspeicher mehr als 32 GB beträgt und der Speicher der Grafikkarte ausreicht.
Dmitry, wie unterrichten Sie in diesem Punkt, oder haben Sie vielleicht MT5 vorher eingerichtet?
Ich verwende die Dateien aus den Artikeln ohne jegliche Änderung.
Um zu trainieren, müssen wir daher diese Datei mit einem Satz von 230 Trajektorien über 7 Monate löschen und sie mit einem vortrainierten Expert Advisor neu erstellen. Aber in diesem Modus funktioniert der Mechanismus zur Aktualisierung der Trajektorien beim Auffüllen der Datenbank nicht. Ich nehme an, dass dies auf die Begrenzung von 4 GB RAM für einen Thread in MT5 zurückzuführen ist. Irgendwo in der Hilfe wurde darüber geschrieben.
Interessant ist, dass in früheren Artikeln (wo die Historie 7 Monate umfasste und die Basis für 500 Trajektorien etwa 1 GB wog) ein solches Problem nicht auftrat. Ich bin nicht durch PC-Ressourcen begrenzt, da RAM ist mehr als 32 GB und die Grafikkarte hat genug Speicher.
Dmitry, wie unterrichten Sie in diesem Sinne oder haben Sie MT5 vielleicht vorher konfiguriert?
Ich verwende die Dateien aus den Artikeln ohne jegliche Änderung.
Victor,
Ich weiß nicht, was ich Ihnen antworten soll. Ich arbeite mit größeren Dateien.
Hallo, lesen Sie diesen Artikel ist es interessant . verstehen ein wenig, wird durchgehen noch einmal nach dem Lesen Original Papier.
Ich habe über dieses Papier https://www.mdpi.com/2076-3417/14/9/3797# kam
es behauptet, sie archiviert 94% in Bitcoin Bild Klassifizierung, ist es wirklich möglich?
- www.mdpi.com
- 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 93): Adaptive Vorhersage im Frequenz- und Zeitbereich (letzter Teil) :
In diesem Artikel setzen wir die Umsetzung der Ansätze des ATFNet-Modells fort, das die Ergebnisse von 2 Blöcken (Frequenz und Zeit) innerhalb der Zeitreihenprognose adaptiv kombiniert.
Im vorangegangenen Artikel haben wir den ATFNet-Algorithmus kennengelernt, bei dem es sich um ein Ensemble von 2 Zeitreihenprognosemodellen handelt. Eine davon arbeitet im Zeitbereich und konstruiert Vorhersagewerte der untersuchten Zeitreihen auf der Grundlage der Analyse der Signalamplituden. Das zweite Modell arbeitet mit den Frequenzmerkmalen der analysierten Zeitreihe und erfasst deren globale Abhängigkeiten, ihre Periodizität und ihr Spektrum. Die adaptive Zusammenführung zweier unabhängiger Prognosen führt nach Angaben des Autors der Methode zu beeindruckenden Ergebnissen.
Das Hauptmerkmal des Frequenz-F-Blocks ist eine vollständige Konstruktion des Algorithmus unter Verwendung der Mathematik der komplexen Zahlen. Um diese Anforderung zu erfüllen, haben wir im vorherigen Artikel die Klasse CNeuronComplexMLMHAttention erstellt. Es wiederholt vollständig die mehrschichtigen Transformator Encoder-Algorithmen mit Elementen der mehrköpfigen Selbstbeobachtung. Die integrierte Aufmerksamkeitsklasse, die wir aufgebaut haben, ist die Grundlage des Blocks F. In diesem Artikel werden wir die von den Autoren in der Studie ATFNet vorgeschlagene Konzepte implementieren.Autor: Dmitriy Gizlyk