그리고 당신은 뉴런이 공통 메모리를 사용하기 때문에 셀 에 값을 할당하면 연결된 모든 뉴런에서 즉시 사용할 수 있다고 생각합니다. 학습의 전체 차이는 역 활성화제 공식을 처방하는 데 있습니다. 나머지는 모두에게 비슷하지만 차이점은 직접 이동하거나 뒤로 이동하는 것입니다. 꽤 가난한 차이점 목록 :o)
Shl 활성화 공식과 그 파생물은 뉴런을 생성할 때(또는 오히려 사용 가능한 유형을 선택할 때) 규정되며, 학습 진행 방향도 네트워크를 생성할 때 선택됩니다.
Nikolay, 가장 간단하고 명확하며 가장 빠른 표현 방법은 벡터와 행렬을 연결하는 것입니다.
그러나 그것은 토폴로지에 강하게 연결되어 있거나 (다용성을 제공하는 일부 셀을 재설정할 때) 메모리를 과도하게 사용합니다.
다음은 1000x1000 뉴런의 에코 풀을 행렬로 설정하는 방법입니다. 그 중 95%는 존재하지 않습니까? 질문은 수사학적이며, 매트릭스 방식으로 이러한 풀을 생성할 때 각 뉴런은 어느 하나와 통신할 수 있어야 합니다. 이것은 뉴런당 1000000개의 잠재적 연결이지만 1000000개 뉴런을 곱하면 10^6 x 10^6 mql 행렬은 이것을 빼내지 못합니다.
글쎄, NS가있는 TS의 특정 버전에 대한 학습 알고리즘을 생각해 내지 않기 위해. 저것들. 이것이 자동으로 일어나도록 하기 위해: NN을 가진 어드바이저가 있고, NN 훈련을 시작할 때 우리는 그것이 어떻게 구현될지 신경 쓰지 않지만 일부 이웃 등에서 입력 값을 스스로 수집할 필요가 없습니다. 예제에서 알고리즘 d.b를 고려한 것일 수 있습니다. 예를 들어 국회가 시스템의 다른 부분이라면 그것은 다릅니다. 일반적으로 나는 그것이 형식화의 일부이고 사용자에게 숨겨지기를 원했습니다. 아마도 이것은 국회의 출력 데이터 또는 다른 경우에는 입력 데이터를 전처리하는 것으로 귀결되지만 대부분의 경우 자동화가 가능하며 사용자의 취약한 어깨에 전가되지 않습니다))) I don't 이것을 공식화하는 방법을 알고 있습니다 :)
예: 있습니다. 하지만 모든 소금은 입력과 출력에 있습니다. 네트워크는 부차적입니다. 어떤 방식으로든 문자를 인식할 수 있습니다. 심지어 MLP, 심지어 PNN, 심지어 SOM까지, 심지어 에코 그리드가 있어도 원리는 거의 동일합니다.
네, NN 데이터의 전처리 및 후처리는 대부분의 시간 과 가장 민감한 순간을 차지합니다. 일반적인 차량 옵션에 대해 시스템화되고 부분적으로 자동화된 경우 타사 패키지에 비해 이점이 있습니다. 그렇지 않으면 이 모든 작업을 NS 작업에 더 전문화하기 때문에 이 모든 작업을 수행하고 기성품 모델을 MT5로 전송하는 것이 더 쉽습니다.
2. 최대 이미지 수. 새 이미지가 훈련 세트에 추가되면 이전 이미지가 제거되고 네트워크가 다시 훈련됩니다.
외부 방법:
1. 훈련용 샘플을 보냅니다. Expert Advisor에서 사용하면 표시기 신호를 사용할 수 있습니다.네트워크에 새 이미지를 보냅니다.
2. 네트워크에 준비가 되었는지 물어보십시오. 그녀는 충분한 수의 이미지로 훈련되었습니까?
3. 주요 방법. 이미지를 입력으로 제출하고 결과를 얻으십시오.
훈련을 위해 새 이미지를 네트워크로 보낼 때 다음과 같이 전처리합니다.
1. 규모.
2. 동일한 출력을 가진 두 개의 반대 상관된 이미지와 다른 출력을 가진 두 개의 동일한 이미지가 없도록 상관 관계를 확인합니다.
이 모든 것이 신속하게 Expert Advisor에 추가됩니다. 표시기가 신호를 보내고 이미지가 네트워크로 전송되고, 충분한 수의 이미지가 축적되는 즉시 네트워크가 훈련되고, 신호가 포지션을 여는 것처럼 보일 때 , 우리는 네트워크에 예 또는 아니오를 묻습니다. 테스터에 있는 경우입니다. 계정에 있는 경우 테스트 후 네트워크를 훈련해야 하며 네트워크를 저장하고 로드하는 수단이 있어야 합니다.
가격, 지표 또는 참/거짓 여부에 관계없이 네트워크로 전송되는 이미지는 이미 사용자의 선택입니다. 네트워크 매개변수(계층 수, 입력, 출력)는 네트워크 초기화 중에 설정됩니다.
나는 (들) 믿지 않는다 :)
그리고 당신은 뉴런이 공통 메모리를 사용하기 때문에 셀 에 값을 할당하면 연결된 모든 뉴런에서 즉시 사용할 수 있다고 생각합니다. 학습의 전체 차이는 역 활성화제 공식을 처방하는 데 있습니다. 나머지는 모두에게 비슷하지만 차이점은 직접 이동하거나 뒤로 이동하는 것입니다. 꽤 가난한 차이점 목록 :o)
Shl 활성화 공식과 그 파생물은 뉴런을 생성할 때(또는 오히려 사용 가능한 유형을 선택할 때) 규정되며, 학습 진행 방향도 네트워크를 생성할 때 선택됩니다.
예, 할 수 있지만 한 곳에서만 가능합니다)))
음, 왜 한 곳에서?
________________
Nikolay, 가장 간단하고 명확하며 가장 빠른 표현 방법은 벡터와 행렬을 연결하는 것입니다.
흠, 그런데 한 곳을 통하지 않겠습니까?
________________
Nikolay, 가장 간단하고 명확하며 가장 빠른 표현 방법은 벡터와 행렬을 연결하는 것입니다.
그러나 그것은 토폴로지에 강하게 연결되어 있거나 (다용성을 제공하는 일부 셀을 재설정할 때) 메모리를 과도하게 사용합니다.
다음은 1000x1000 뉴런의 에코 풀을 행렬로 설정하는 방법입니다. 그 중 95%는 존재하지 않습니까? 질문은 수사학적이며, 매트릭스 방식으로 이러한 풀을 생성할 때 각 뉴런은 어느 하나와 통신할 수 있어야 합니다. 이것은 뉴런당 1000000개의 잠재적 연결이지만 1000000개 뉴런을 곱하면 10^6 x 10^6 mql 행렬은 이것을 빼내지 못합니다.
흠, 그런데 한 곳을 통하지 않겠습니까?
글쎄, NS가있는 TS의 특정 버전에 대한 학습 알고리즘을 생각해 내지 않기 위해.
그것은 그런 식으로 작동하지 않을 것입니다 :) 당신은 최소한 무엇을 취하고, 무엇을 가르치고, 어떻게 평가해야 하는지 알아야 합니다. 그리고 이것들은 손잡이로 정리되어야 합니다.
일반적으로 나는 그것이 형식화의 일부이고 사용자에게 숨겨지기를 원했습니다. 공식화하는 방법을 모르겠습니다 :)
정확히. 그리고 나도 몰라. 또한 일반적으로 결합하기 매우 어려운 세트가 있습니다. 뉴런은 도구일 뿐입니다. 숙련 된 손에서 (최소한 Leonid가 있어야 함) 매우 강력합니다.
그가 상담을 원하는지 궁금합니다.
그것은 그런 식으로 작동하지 않을 것입니다 :) 당신은 최소한 무엇을 취하고, 무엇을 가르치고, 어떻게 평가해야 하는지 알아야 합니다. 그리고 이것들은 손잡이로 정리되어야 합니다.
정확히. 그리고 나도 몰라. 또한 일반적으로 결합하기 매우 어려운 세트가 있습니다. 뉴런은 도구일 뿐입니다. 숙련 된 손에서 (최소한 Leonid가 있어야 함) 매우 강력합니다.
글쎄, 적어도 표준 옵션(예: 이전 페이지에서 고려한 옵션)을 제공하십시오. 당신은 공식적인 해결책을 제시했습니다. 왜 다른 사람들은 그렇지 않다고 생각합니까?
모든 것이 같은 유형의 몇 가지로 요약될 수 있습니다.
왜 다른 사람들은 그렇지 않다고 생각합니까?
예, 있습니다. 하지만 모든 소금은 입력과 출력에 있습니다. 네트워크는 부차적입니다. 어떤 방식으로든 문자를 인식할 수 있습니다. 심지어 MLP, 심지어 PNN, 심지어 SOM까지, 심지어 에코 그리드가 있어도 원리는 거의 동일합니다.
모든 것이 같은 유형의 몇 가지로 요약될 수 있습니다.
예, 여기에 거래 필터를 구성하는 좋은 예가 있습니다. 그냥 침을 뱉으세요.
그리고 복잡하지 않은 차량에 먹이를 주는 것은 이미 평범한 사람의 일이 아닙니다. 그리고 첫 번째는 거의 100% 적합합니다.
예: 있습니다. 하지만 모든 소금은 입력과 출력에 있습니다. 네트워크는 부차적입니다. 어떤 방식으로든 문자를 인식할 수 있습니다. 심지어 MLP, 심지어 PNN, 심지어 SOM까지, 심지어 에코 그리드가 있어도 원리는 거의 동일합니다.
Expert Advisors에서 사용되는 수업 구성에 대한 몇 가지 생각:
속성:
1. 네트워크에서 사용하도록 훈련된 최소 이미지 수입니다.
2. 최대 이미지 수. 새 이미지가 훈련 세트에 추가되면 이전 이미지가 제거되고 네트워크가 다시 훈련됩니다.
외부 방법:
1. 훈련용 샘플을 보냅니다. Expert Advisor에서 사용하면 표시기 신호를 사용할 수 있습니다. 네트워크에 새 이미지를 보냅니다.
2. 네트워크에 준비가 되었는지 물어보십시오. 그녀는 충분한 수의 이미지로 훈련되었습니까?
3. 주요 방법. 이미지를 입력으로 제출하고 결과를 얻으십시오.
훈련을 위해 새 이미지를 네트워크로 보낼 때 다음과 같이 전처리합니다.
1. 규모.
2. 동일한 출력을 가진 두 개의 반대 상관된 이미지와 다른 출력을 가진 두 개의 동일한 이미지가 없도록 상관 관계를 확인합니다.
이 모든 것이 신속하게 Expert Advisor에 추가됩니다. 표시기가 신호를 보내고 이미지가 네트워크로 전송되고, 충분한 수의 이미지가 축적되는 즉시 네트워크가 훈련되고, 신호가 포지션을 여는 것처럼 보일 때 , 우리는 네트워크에 예 또는 아니오를 묻습니다. 테스터에 있는 경우입니다. 계정에 있는 경우 테스트 후 네트워크를 훈련해야 하며 네트워크를 저장하고 로드하는 수단이 있어야 합니다.
가격, 지표 또는 참/거짓 여부에 관계없이 네트워크로 전송되는 이미지는 이미 사용자의 선택입니다. 네트워크 매개변수(계층 수, 입력, 출력)는 네트워크 초기화 중에 설정됩니다.
그래픽 네트워크 디자이너는 mql5를 사용하여 만들 수도 있습니다.
한 레이어에 다른 뉴런이 있을 수 있는 것 같습니다. 이것은 문제가 아닙니다. 그러한 네트워크를 훈련시키는 방법은 또 다른 문제입니다.
한 층에 하나의 뉴런? 의미는 어떻습니까? 바이패스 추가 레이어가 아닌 이상.