시장에서 신경망을 다루지는 않지만 개인적으로 일반 선형 정규화가 단위 분산에 대한 정규화보다 낫다고 제안하고 싶습니다. 새로운 데이터의 잠재적인 분산 , 이는 시리즈를 중심으로 축소하여 자연스럽게 수행할 수 없습니다. 이러한 정규화를 사용하면 문자 그대로 네트워크의 모든 것, 심지어 가중치 계수까지 변경해야 합니다. 즉, 단순히 네트워크를 다시 훈련시키고 가중치 계수를 개선하지 않아야 합니다. 그러나 이것은 가정입니다. 확인이 필요합니다.
시장에서 신경망을 다루지는 않지만 개인적으로 일반 선형 정규화가 단위 분산에 대한 정규화보다 낫다고 제안하고 싶습니다. 새로운 데이터의 잠재적인 분산 , 이는 시리즈를 중심으로 축소하여 자연스럽게 수행할 수 없습니다. 이러한 정규화를 사용하면 문자 그대로 네트워크의 모든 것, 심지어 가중치 계수까지 변경해야 합니다. 즉, 단순히 네트워크를 다시 훈련시키고 가중치 계수를 개선하지 않아야 합니다. 그러나 이것은 가정입니다. 확인이 필요합니다.
내 네트워크는 24시간마다 재교육됩니다. 이게 플러스인지 마이너스인지 모르겠네요. 하지만 펑크까지.
분석적 형태로 임의의 분포(직사각형)에서 원하는 분포(직사각형)를 얻는 방법을 Prival에게 물어볼 필요가 있습니다.
Privalich는 아마 지금 자고 있을 것이므로 내가 그를 대신해 대답해 드리겠습니다. [0,1]에 균일하게 분포된 값을 기반으로 정규 값의 일부 모델링을 수행했습니다. 이 경우, 균일하게 분포된 랜덤 변수로부터 적분 가우시안의 역함수를 계산할 필요가 있었습니다. 따라서 정규 분포에서 균일 분포를 얻으려면 첫 번째 함수에서 적분 가우스 함수를 계산해야 합니다.
유추하여 임의로 분포된 값에서 균일하게 분포된 값을 얻으려면 먼저 첫 번째의 적분 분포 함수를 찾아 단어에 적용해야 합니다. 크기. 나는 내가 너무 많이 망하지 않았 으면 좋겠다.
따라서 Y=A*exp{-a*X} 형식 의 지수 분포 SW가 있습니다. 여기서 X 는 NN 입력에 제공된 데이터의 진폭입니다 . 일련의 입력 데이터 X 에 작용하는 일종의 마법 함수 f(x) 를 찾고자 하며, 이를 통해 세그먼트 +/-1에서 직사각형 분포를 얻을 수 있습니다. 이를 위해 다음과 같이 조언합니다.
1. 적분 가우스에 역함수 를 구합니다. 발견된 적분: Z=-A/a*exp{-а*Х }, 이제 역수: X=1/a*ln(-A/a/Z)
시장에서 신경망을 다루지는 않지만 개인적으로 일반 선형 정규화가 단위 분산에 대한 정규화보다 낫다고 제안하고 싶습니다. 새로운 데이터의 잠재적인 분산 , 이는 시리즈를 중심으로 축소하여 자연스럽게 수행할 수 없습니다. 이러한 정규화를 사용하면 문자 그대로 네트워크의 모든 것, 심지어 가중치 계수까지 변경해야 합니다. 즉, 단순히 네트워크를 다시 훈련시키고 가중치 계수를 개선하지 않아야 합니다. 그러나 이것은 가정입니다. 확인이 필요합니다.
시장에서 신경망을 다루지는 않지만 개인적으로 일반 선형 정규화가 단위 분산에 대한 정규화보다 낫다고 제안하고 싶습니다. 새로운 데이터의 잠재적인 분산 , 이는 시리즈를 중심으로 축소하여 자연스럽게 수행할 수 없습니다. 이러한 정규화를 사용하면 문자 그대로 네트워크의 모든 것, 심지어 가중치 계수까지 변경해야 합니다. 즉, 단순히 네트워크를 다시 훈련시키고 가중치 계수를 개선하지 않아야 합니다. 그러나 이것은 가정입니다. 확인이 필요합니다.
내 네트워크는 24시간마다 재교육됩니다. 이게 플러스인지 마이너스인지 모르겠네요. 하지만 펑크까지.
분석적 형태로 임의의 분포(직사각형)에서 원하는 분포(직사각형)를 얻는 방법을 Prival에게 물어볼 필요가 있습니다.
Privalich는 아마 지금 자고 있을 것이므로 내가 그를 대신해 대답해 드리겠습니다. [0,1]에 균일하게 분포된 값을 기반으로 정규 값의 일부 모델링을 수행했습니다. 이 경우, 균일하게 분포된 랜덤 변수로부터 적분 가우시안의 역함수를 계산할 필요가 있었습니다. 따라서 정규 분포에서 균일 분포를 얻으려면 첫 번째 함수에서 적분 가우스 함수를 계산해야 합니다.
유추하여 임의로 분포된 값에서 균일하게 분포된 값을 얻으려면 먼저 첫 번째의 적분 분포 함수를 찾아 단어에 적용해야 합니다. 크기. 나는 내가 너무 많이 망하지 않았 으면 좋겠다.
안녕하세요 알렉세이 .
천천히 그리고 명료하게 (특히 나를 위해) 가자.
따라서 Y=A*exp{-a*X} 형식 의 지수 분포 SW가 있습니다. 여기서 X 는 NN 입력에 제공된 데이터의 진폭입니다 . 일련의 입력 데이터 X 에 작용하는 일종의 마법 함수 f(x) 를 찾고자 하며, 이를 통해 세그먼트 +/-1에서 직사각형 분포를 얻을 수 있습니다. 이를 위해 다음과 같이 조언합니다.
1. 적분 가우스에 역함수 를 구합니다. 발견된 적분: Z=-A/a*exp{-а*Х }, 이제 역수: X=1/a*ln(-A/a/Z)
이것이 원하는 f(x)=1/a*ln(-A/a/x) 입니까?
내 네트워크는 24시간마다 재교육됩니다. 이게 플러스인지 마이너스인지 모르겠네요. 하지만 펑크까지.
내가 이해하는 것처럼 MQL에는 없나요?
내가 이해하는 것처럼 MQL에는 없나요?
내 그리드는 새로운 진입 전에 시장에서 나올 때마다 재교육됩니다.
내 그리드는 새로운 진입 전에 시장에서 나올 때마다 재교육됩니다.
MQL 또는 외부 프로그램에 대한 네트워크 구조, 입력 수, 재학습 시간은 어떻게 됩니까?
MQL에서 수십 줄의 코드와 9kB의 볼륨.
그리드 100/2/1, 아키텍처가 임의로 확장됩니다(숨겨진 레이어 수 포함). 하이퍼탄젠트가 있는 숨겨진 레이어/레이어, 출구에 매수/매도(기호)가 표시됩니다. 약 100ms 후에 재훈련(재훈련)합니다.
아무리 애를 써도 은닉층에서 뉴런이 성장한다고 해서 컴퓨팅 파워가 눈에 띄게 증가하지는 않지만 학습이 상당히 복잡해집니다. 아마도 이러한 기능은 특정 작업과 관련이 있으며 결과를 일반화할 수 없습니다.
MQL에서 수십 줄의 코드와 9kB의 볼륨.
그리드 100/2/1, 아키텍처가 임의로 확장됩니다(숨겨진 레이어 수 포함). 하이퍼탄젠트가 있는 숨겨진 레이어/레이어, 출구에 매수/매도(기호)가 표시됩니다. 약 100ms 후에 재훈련(재훈련)합니다.
아무리 애를 써도 은닉층에서 뉴런이 성장한다고 해서 컴퓨팅 파워가 눈에 띄게 증가하지는 않지만 학습이 상당히 복잡해집니다. 아마도 이러한 기능은 특정 작업과 관련이 있으며 결과를 일반화할 수 없습니다.
"아키텍처가 임의로 확장"한다는 것은 무엇을 의미합니까? 내가 이해하는 한 아키텍처는 네트워크의 구조입니다. 그리고 스케일링은 일부 데이터 정규화 기능을 사용하는 것입니다. 100개 항목은 많습니다. 아니면 당신의 100은 다른 무엇입니까?
Neutron писал(а) >>
천천히 그리고 명료하게 (특히 나를 위해) 가자.
따라서 기하급수적으로 분포된 SW가 있습니다.
좋아, Sergey , 천천히 그리고 슬프게 가자. 먼저 일반 정리를 다루겠습니다. 여기 stylko 가 있습니다 . 정리 24, 25, 26을 참조하십시오.
주의: Th 24에서는 분포 밀도 함수에 대해 이야기하고 있습니다.
그러나 Th 25는 사용자가 필요로 하는 것을 정확히 수행하며, 분배 기능에 관한 것입니다.
재미를 위해 Th 26의 추론 8도 살펴보세요. 추론의 세 번째 공식은 제가 균일한 공식에서 가우시안을 구하려고 할 때 이야기한 것입니다.
그리고 지수 분포의 경우 분포 함수(적분)를 신중하게 구하고 Th 25를 적용하기만 하면 됩니다.
PS 그건 그렇고, 연습 36의 마지막 구절이 재미있었습니다("(표시: 아무도 그렇게 이해하지 못합니다)."). 그리고 나, 바보, 정확히 어떻게 얻었는지 (Codebase에는 통계 함수 라이브러리가 있습니다) ...