トレーディングにおけるニューラルネットワークの活用 - ページ 39 1...323334353637383940 新しいコメント Дмитрий 2013.10.21 08:21 #381 パイオニア」がいないのが残念です。どんどん掘っていきます...。 Дмитрий 2013.12.15 10:47 #382 フーリエ変換のアナログであるハートリー変換を試してみました。課題は、「過去」に時間をシフトした長方形の窓関数を使うことだった。得られたベクトルを成分に分解し、NSの入力に使用すること。予測として - スペクトル成分の変化、逆変換が続く。その結果、予測されたスペクトルの逆変換が指標に使用される。HEREは、より詳細に説明されています。 Alexey Subbotin 2014.01.24 10:15 #383 こんなに面白い 記事を読ませていただきました。 私は、脳を神経回路網として構成する原理に興味があります。まず、あらゆる種類の結合を、その質をあまり気にせずに大量に採用し、次に「結果を得るために不要なものはすべて取り除く」という原理で選択を開始します。 このようなアプローチは、オーバートレーニングといわば「構造的破綻」の両方に対処するために有効である可能性が高いのです。 ちなみに、NS理論で同様の原理を研究した人はいないのだろうか？ Vladimir Gomonov 2014.01.24 11:29 #384 alsu: こんなに面白い 記事を読ませていただきました。 私は、脳を神経回路網として構成する原理、つまり、まずあらゆる種類の結合を、その質をあまり気にせずに大量に採用し、次に「結果を得るために必要のないものはすべて取り除く」という原理に従って選択を始めることに興味があります。 このようなアプローチは、オーバートレーニングといわば「構造的破綻」の両方に対処するために有効である可能性が高いのです。 ちなみに、NS理論で同様の原理を研究した人はいないのだろうか？ 係数に小さな絶対値が検出された場合、「ネットの間引き」で何かを見たことがある。 でも、そんなことは何十回も見たことがないし、基本として「大きな大きな黒字→削減」。 作ってみたいですか？ 興味がある。 計算機資源だけが不足することになる。 // 同じタイプのスキームだけを計算するのが有利で、ここでは毎回ネットワークトポロジーが異なる。 Alexey Subbotin 2014.01.24 11:49 #385 MetaDriver: フックアップする？ しています。でも今は、「どの還元アルゴリズムを使うか、じっくり考えたい」と思っています。最初のアイデアは、絶対値で 本当に薄くし、閾値をすでに提示された例の数に依存させることです：トレーニングサンプルが大きければ大きいほど、リンクが生き残るのは難しくなるはずです。 Alexey Subbotin 2014.01.24 11:55 #386 MetaDriver: GPUの適応方法がわからない。同じ種類のスキームだけを計算するのが有利だが、ここでは毎回ネットワークトポロジーが異なる。 。 シングルタイプで、ハードウェアで実装されたもの。一般に並列計算の 効率は非常に誇張されており、実際（実際の計算や博士論文もある）、一般に逐次計算よりさらに遅く、その理由はデータ転送にかかる時間消費にある。 Vladimir Gomonov 2014.01.24 12:25 #387 alsu: これらは同じタイプで、ハードウェア的に実装されている。一般に並列計算の効率は非常に誇張されており、実際（実際に計算した結果や博士論文もある）一般的には逐次計算よりさらに遅く、その理由はデータ転送にかかる時間である。 。 すぐには賛成できない。仕様の理解が深まれば、何百倍ものスピードを引き出す工夫ができます。 幾つか タスクのですから、集中的な計算をするためには、問題をそれらの「ある」 クラスに還元することを試みるのが常に理にかなっているのです。うまくいけば、得られるものは大きいかもしれません。そうでない場合は、いいえ - 通常のプロセッサで逐次計算します。 -- 例えば、同一型（同一トポロジー）のニューラルネットワークを多数の学習例で遺伝的最適化を行うことは非常に有効である（実行速度が数十倍から数百倍になる）。ただ、トポロジーごとに新しいOpenCL プログラムが必要なのが難点です。これは、基本的なocl-templateを構築し、与えられたトポロジーに対して新しいocl-programを自動的（プログラム的）に生成することで解決することができる。 ところで、ここです。上記の内容を書いているときに、問題をGPU計算に有利なクラスに落とし込む方法を思いつきました。ステップバイステップで行うには、各ステップ内で1つのOCLプログラムにすべてを読み込む必要がありますが、係数をゼロに減らす（要するに模倣する）必要があります。そして、新しいステップでは、前のステップの削減分がすでに「フラッシュ」されたプログラムを新たに生成する。といった具合に。しかし、これは遺伝的な「学習」を利用した場合の話です。 Alexey Subbotin 2014.01.24 12:46 #388 MetaDriver: すぐには賛成できない。このような仕様の理解により、より100倍以上の速度が得られる可能性があります。 幾つか タスクのしたがって、複雑な計算では、常にそれらの「いくつか」の クラスに問題を減らすことを試みることに意味がある。うまくいけば、得られるものは大きいかもしれません。そうでない場合は、いいえ - 通常のプロセッサで順次カウントします。 。 私の記憶では、メインループにおける並列タスクと 非並列タスク（データ準備、データ送信）の実行時間の比率がクリティカル値で、並列度が高いほどこの比率に対する要求が厳しくなります。ですから、アルゴリズムを「並列ファイル」にするだけでなく、並列でない部分も最小にすることを目指すべきです。 例えば、今流行のクラウドコンピューティングでは（ちなみにFiveで実装されています）、転送時間の関係でゲインの制限が非常に深刻です。ただし、これらの制限は、クラウドネットワークに数十パーセント以上の負荷がかかっている場合にのみ発生します。 まあでも、今はそんなことより、このタスクには並列性があまりないんですよ。 Alexey Subbotin 2014.01.24 12:50 #389 MetaDriver:// 唯一の問題は、各トポロジーに新しい OpenCL プログラムが必要なことです。 これは、基本的なocl-templateを構築し、与えられたトポロジーに対して新しいocl-programを自動的（プログラム的）に生成することで解決することができる。 テンプレートは互いに順次依存するので、あらかじめすべて生成しておかなければならないが、そうすると、何兆個ものテンプレートが存在することになり、ほとんどの時間は、その時点で正しいものを見つけることに費やされることになる）。 Vladimir Gomonov 2014.01.24 12:57 #390 alsu: テンプレートは互いに順次依存するので、あらかじめすべて生成しておかなければならないが、そうすると、何兆個ものテンプレートが存在することになり、ほとんどの時間は、その時点で必要なものを見つけるのに費やされることになる）。 そんなことはありません。単一型ニューラルネットワークのためにやったんです。 コードジェネレーターを送ることもできますよ。 問題は、いかにして自分のタスクを採算の取れるクラスまで落とし込むか、である。 前の投稿を読み直してください - そこに追加しました。 あ、じゃあ、重複しちゃいますね。 ところで、ここです。 上記を書きながら、私は、あなたの問題をGPUの有利な計算のクラスに減らす方法を思いつきました。 ステップバイステップで行うには、各ステップ内で1つのOCLプログラムにすべてを読み込む必要がありますが、係数をゼロに減らす（要するに模倣する）必要があります。 そして、新しいステップでは、前のステップの削減分がすでに「フラッシュ」されたプログラムを新たに生成する。 といった具合に。 しかし、これは遺伝的な「学習」を利用した場合の話です。 1...323334353637383940 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか？ Googleでログイン
パイオニア」がいないのが残念です。どんどん掘っていきます...。
こんなに面白い 記事を読ませていただきました。
私は、脳を神経回路網として構成する原理に興味があります。まず、あらゆる種類の結合を、その質をあまり気にせずに大量に採用し、次に「結果を得るために不要なものはすべて取り除く」という原理で選択を開始します。
このようなアプローチは、オーバートレーニングといわば「構造的破綻」の両方に対処するために有効である可能性が高いのです。
ちなみに、NS理論で同様の原理を研究した人はいないのだろうか？
こんなに面白い 記事を読ませていただきました。
私は、脳を神経回路網として構成する原理、つまり、まずあらゆる種類の結合を、その質をあまり気にせずに大量に採用し、次に「結果を得るために必要のないものはすべて取り除く」という原理に従って選択を始めることに興味があります。
このようなアプローチは、オーバートレーニングといわば「構造的破綻」の両方に対処するために有効である可能性が高いのです。
ちなみに、NS理論で同様の原理を研究した人はいないのだろうか？
係数に小さな絶対値が検出された場合、「ネットの間引き」で何かを見たことがある。
でも、そんなことは何十回も見たことがないし、基本として「大きな大きな黒字→削減」。 作ってみたいですか？
興味がある。 計算機資源だけが不足することになる。 // 同じタイプのスキームだけを計算するのが有利で、ここでは毎回ネットワークトポロジーが異なる。
MetaDriver:
フックアップする？
しています。でも今は、「どの還元アルゴリズムを使うか、じっくり考えたい」と思っています。最初のアイデアは、絶対値で 本当に薄くし、閾値をすでに提示された例の数に依存させることです：トレーニングサンプルが大きければ大きいほど、リンクが生き残るのは難しくなるはずです。
GPUの適応方法がわからない。同じ種類のスキームだけを計算するのが有利だが、ここでは毎回ネットワークトポロジーが異なる。 。
これらは同じタイプで、ハードウェア的に実装されている。一般に並列計算の効率は非常に誇張されており、実際（実際に計算した結果や博士論文もある）一般的には逐次計算よりさらに遅く、その理由はデータ転送にかかる時間である。 。
すぐには賛成できない。仕様の理解が深まれば、何百倍ものスピードを引き出す工夫ができます。 幾つか タスクのですから、集中的な計算をするためには、問題をそれらの「ある」 クラスに還元することを試みるのが常に理にかなっているのです。うまくいけば、得られるものは大きいかもしれません。そうでない場合は、いいえ - 通常のプロセッサで逐次計算します。
--
例えば、同一型（同一トポロジー）のニューラルネットワークを多数の学習例で遺伝的最適化を行うことは非常に有効である（実行速度が数十倍から数百倍になる）。ただ、トポロジーごとに新しいOpenCL プログラムが必要なのが難点です。これは、基本的なocl-templateを構築し、与えられたトポロジーに対して新しいocl-programを自動的（プログラム的）に生成することで解決することができる。
ところで、ここです。上記の内容を書いているときに、問題をGPU計算に有利なクラスに落とし込む方法を思いつきました。ステップバイステップで行うには、各ステップ内で1つのOCLプログラムにすべてを読み込む必要がありますが、係数をゼロに減らす（要するに模倣する）必要があります。そして、新しいステップでは、前のステップの削減分がすでに「フラッシュ」されたプログラムを新たに生成する。といった具合に。しかし、これは遺伝的な「学習」を利用した場合の話です。
すぐには賛成できない。このような仕様の理解により、より100倍以上の速度が得られる可能性があります。 幾つか タスクのしたがって、複雑な計算では、常にそれらの「いくつか」の クラスに問題を減らすことを試みることに意味がある。うまくいけば、得られるものは大きいかもしれません。そうでない場合は、いいえ - 通常のプロセッサで順次カウントします。
。
私の記憶では、メインループにおける並列タスクと 非並列タスク（データ準備、データ送信）の実行時間の比率がクリティカル値で、並列度が高いほどこの比率に対する要求が厳しくなります。ですから、アルゴリズムを「並列ファイル」にするだけでなく、並列でない部分も最小にすることを目指すべきです。
例えば、今流行のクラウドコンピューティングでは（ちなみにFiveで実装されています）、転送時間の関係でゲインの制限が非常に深刻です。ただし、これらの制限は、クラウドネットワークに数十パーセント以上の負荷がかかっている場合にのみ発生します。
まあでも、今はそんなことより、このタスクには並列性があまりないんですよ。
テンプレートは互いに順次依存するので、あらかじめすべて生成しておかなければならないが、そうすると、何兆個ものテンプレートが存在することになり、ほとんどの時間は、その時点で正しいものを見つけることに費やされることになる）。
テンプレートは互いに順次依存するので、あらかじめすべて生成しておかなければならないが、そうすると、何兆個ものテンプレートが存在することになり、ほとんどの時間は、その時点で必要なものを見つけるのに費やされることになる）。
あ、じゃあ、重複しちゃいますね。
ところで、ここです。 上記を書きながら、私は、あなたの問題をGPUの有利な計算のクラスに減らす方法を思いつきました。 ステップバイステップで行うには、各ステップ内で1つのOCLプログラムにすべてを読み込む必要がありますが、係数をゼロに減らす（要するに模倣する）必要があります。 そして、新しいステップでは、前のステップの削減分がすでに「フラッシュ」されたプログラムを新たに生成する。 といった具合に。 しかし、これは遺伝的な「学習」を利用した場合の話です。