MQL5 RiferimentoModelli ONNXStrutture dati

Strutture dati

Le seguenti strutture dati sono utilizzate per operazioni con modelli ONNX:

OnnxTypeInfo #

La struttura descrive il tipo di un ingresso o parametro d'uscita di un modello ONNX

struct OnnxTypeInfo
{
  ENUM_ONNX_TYPE        type;          // tipo di parametro
  OnnxTensorTypeInfo    tensor;        // descrizione del tensore
  OnnxMapTypeInfo       map;           // descrizione della mappa
  OnnxSequenceTypeInfo  sequence;      // descrizione della sequenza
};

Solo il tensore (ONNX_TYPE_TENSOR) può essere usato come ingresso. In questo caso, solo il campo OnnxTypeInfo::tensor è riempito con valori, mentre gli altri campi (mappa e sequenza) non sono definiti.

Solo uno dei tre tipi OnnxTypeInfo (ONNX_TYPE_TENSOR, ONNX_TYPE_MAP o ONNX_TYPE_SEQUENCE) può essere utilizzato come ingresso. La sottostruttura corrispondente (OnnxTypeInfo::tensor, OnnxTypeInfo::map o OnnxTypeInfo::sequence) viene riempita a seconda del tipo.

OnnxTensorTypeInfo

La struttura descrive il tensore in ingresso o parametro d'uscita di un modello ONNX

struct OnnxTensorTypeInfo
{
const ENUM_ONNX_DATA_TYPE data_type; // tipo di dati nel tensore
const long dimensions[]; // numero di elementi nel tensore
};

OnnxMapTypeInfo #

La struttura descrive la mappa ottenuta nel parametro d'uscita di un modello ONNX

struct OnnxMapTypeInfo
{
const ENUM_ONNX_DATA_TYPE key_type; // tipo di chiave
const OnnxTypeInfo& value_type; // tipo di valore
};

OnnxSequenceTypeInfo #

La struttura descrive la sequenza ottenuta nel parametro d'uscita di un modello ONNX

struct OnnxSequenceTypeInfo
{
const OnnxTypeInfo& value_type; // tipo di dati nella sequenza
};

ENUM_ONNX_TYPE #

L'enumerazione ENUM_ONNX_TYPE definisce il tipo di parametro di un modello

ID	Descrizione
ONNX_TYPE_UNKNOWN	Sconosciuto
ONNX_TYPE_TENSOR	Tensore
ONNX_TYPE_SEQUENCE	Sequenza
ONNX_TYPE_MAP	Mappa
ONNX_TYPE_OPAQUE	Astratto (opaco)
ONNX_TYPE_SPARSETENSOR	Tensore sparso

ENUM_ONNX_DATA_TYPE #

L'enumerazione >ENUM_ONNX_DATA_TYPE definisce il tipo di dati usato

ID	Descrizione
ONNX_DATA_TYPE_UNDEFINED	Non definito
ONNX_DATA_TYPE_FLOAT	float
ONNX_DATA_TYPE_INT8	int 8-bit
ONNX_DATA_TYPE_UINT16	uint 16-bit
ONNX_DATA_TYPE_INT16	int 16-bit
ONNX_DATA_TYPE_INT32	int 32-bit
ONNX_DATA_TYPE_INT64	int 64-bit
ONNX_DATA_TYPE_STRING	string
ONNX_DATA_TYPE_BOOL	bool
ONNX_DATA_TYPE_FLOAT16	float 16-bit
ONNX_DATA_TYPE_DOUBLE	double
ONNX_DATA_TYPE_UINT32	uint 32-bit
ONNX_DATA_TYPE_UINT64	uint 64-bit
ONNX_DATA_TYPE_COMPLEX64	numeri complessi a 64-bit
ONNX_DATA_TYPE_COMPLEX128	numeri complessi a 128-bit
ONNX_DATA_TYPE_BFLOAT16	bfloat 16-bit (Brain Floating Point)

ENUM_ONNX_FLAGS #

L'enumerazione ENUM_ONNX_FLAGS definisce la modalità di esecuzione del modello

ID	Descrizione
ONNX_DEBUG_LOGS	Log di debug di output
ONNX_NO_CONVERSION	Disattiva la conversione automatica, utilizza i dati dell'utente come sono
ONNX_COMMON_FOLDER	Carica un file modello dalla cartella Common\Files; il valore è uguale a FILE_COMMON flag

Conversione di array quando si lavora con i modelli ONNX

I compiti di apprendimento automatico non richiedono sempre una grande precisione computazionale. Per accelerare i calcoli, alcuni modelli utilizzano tipi di dati di precisione inferiore come Float16 e persino Float8. Per consentire agli utenti di inserire i dati rilevanti nei modelli, MQL5 fornisce quattro funzioni speciali che convertono i tipi standard MQL5 in tipi speciali FP16 e FP8.

Funzione	Azione
ArrayToFP16	Copia un array di tipo float o double in un array di tipo ushort con il formato specificato
ArrayToFP8	Copia un array di tipo float o double in un array di tipo uchar con il formato specificato
ArrayFromFP16	Copia un array di tipo ushort in un array di tipo float o double con il formato specificato
ArrayFromFP8	Copia un array di tipo uchar in un array di tipo float o double con il formato specificato

Queste funzioni di conversione degli array utilizzano formati speciali specificati nelle enumerazioni seguenti.

ENUM_FLOAT16_FORMAT #

L'enumerazione ENUM_FLOAT16_FORMAT descrive due formati di tipo FP16.

ID	Descrizione
FLOAT_FP16	Formato standard a 16 bit, noto anche come half
FLOAT_BFP16	Formato speciale brain float point

Ognuno di questi formati ha i suoi vantaggi e limitazioni. FLOAT16 fornisce una maggiore precisione, ma richiede più risorse di archiviazione e di calcolo. BFLOAT16, d'altra parte, fornisce maggiori prestazioni ed efficienza nell'elaborazione dei dati, ma può essere meno accurata.

ENUM_FLOAT8_FORMAT #

L'enumerazione ENUM_FLOAT8_FORMAT descrive quattro formati di tipo FP8.

FP8 (8-bit floating point) è uno dei tipi di dati utilizzati per rappresentare i numeri in virgola mobile. In FP8, ogni numero è rappresentato da 8 bit di dati, tipicamente divisi in tre componenti: segno, esponente e mantissa. Questo formato offre un equilibrio tra precisione ed efficienza di archiviazione, rendendolo attraente per le applicazioni che richiedono memoria ed efficienza computazionale.

ID	Descrizione
FLOAT_FP8_E4M3FN	Numero in virgola mobile a 8 bit, 4 bit per l'esponente e 3 bit per la mantissa. Tipicamente utilizzato come coefficiente.
FLOAT_FP8_E4M3FNUZ	Numero in virgola mobile a 8 bit, 4 bit per l'esponente e 3 bit per la mantissa. Supporta Nan, non supporta zero negativo e Inf. Tipicamente utilizzato come coefficiente.
FLOAT_FP8_E5M2FN	Numero in virgola mobile a 8 bit, 5 bit per l'esponente e 2 bit per la mantissa. Supporta Nan e Inf. Tipicamente utilizzato per i gradienti.
FLOAT_FP8_E5M2FNUZ	Numero in virgola mobile a 8 bit, 5 bit per l'esponente e 2 bit per la mantissa. Supporta Nan, non supporta zero negativo e Inf. Utilizzato anche per i gradienti.

Uno dei principali vantaggi di FP8 è la sua efficienza nell'elaborazione di grandi set di dati. Con l'impiego della rappresentazione numerica compatta, FP8 riduce i requisiti di memoria e accelera i calcoli. Ciò è particolarmente importante nelle applicazioni di apprendimento automatico e di intelligenza artificiale che spesso elaborano grandi set di dati.

OnnxSetOutputShape

Libreria Standard