Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3235

[Andrey Dik]

Agora os fãs do Basic vão sair e começar a agitar cartazes com a frase "Basicistas também são importantes!".

e os eRastas já estão agitando.....

[Renat Akhtyamov]

Ele está no site há muito tempo, por que você está se incomodando?

Areunião virtual da comunidade ONNX começou com a introdução - Automated Trading Systems - MQL5

//Você não lê nada além deste tópico? ;)

[Aleksey Vyazmikin]

Aleksey Nikolayev #:
Google onnx.

Obrigado.

Eu entendi corretamente que há suporte para várias funções padrão, mas não para as escritas por você mesmo?

[Aleksey Nikolayev]

Aleksey Vyazmikin #:

Obrigado.

Eu entendi corretamente que há suporte para várias funções padrão, mas não para as escritas por você mesmo?

Pesquise no Google (ou no CHATGPTit) e faça uma pesquisa do zero. Sou um substituto ruim para a IA.

[Aleksey Vyazmikin]

Aleksey Nikolayev #:
Google (ou CHATGRTit) onnx do zero. Sou um substituto ruim para a IA.

ChatGPT:

"
ONNX (Open Neural Network Exchange) é um formato de troca de modelos de aprendizagem profunda projetado para armazenar e transferir modelos entre diferentes estruturas e ferramentas de aprendizagem profunda. A principal ideia por trás do ONNX é fornecer um formato comum para representar modelos, independentemente de como eles foram criados.

O ONNX não foi projetado para armazenar funções ou códigos personalizados arbitrários. Ele foi projetado para representar modelos que podem ser expressos como um gráfico computacional que consiste em camadas e operações suportadas por operações padrão de aprendizagem profunda, como convoluções, pooling, ativações etc.

Se você tiver uma função personalizada que gostaria de integrar a um modelo de aprendizagem profunda e armazenar no formato ONNX, talvez seja necessário implementar a função usando operações e camadas compatíveis com o ONNX ou reescrevê-la como um gráfico computacional. O código do usuário ou as funções escritas em uma linguagem de programação devem ser representados como parte desse gráfico usando operações padrão.

"

[Aleksey Nikolayev]

Aleksey Vyazmikin #:

ChatGPT:

"
ONNX (Open Neural Network Exchange) é um formato de troca de modelos de aprendizagem profunda projetado para armazenar e transferir modelos entre diferentes estruturas e ferramentas de aprendizagem profunda. A principal ideia por trás do ONNX é fornecer um formato comum para representar modelos, independentemente de como eles foram criados.

O ONNX não foi projetado para armazenar funções ou códigos personalizados arbitrários. Ele foi projetado para representar modelos que podem ser expressos como um gráfico computacional que consiste em camadas e operações compatíveis com as operações padrão de aprendizagem profunda, como convoluções, agrupamento, ativações etc.

Se você tiver uma função personalizada que gostaria de integrar a um modelo de aprendizagem profunda e armazenar no formato ONNX, talvez seja necessário implementar a função usando operações e camadas compatíveis com o ONNX ou reescrevê-la como um gráfico computacional. O código do usuário ou as funções escritas em uma linguagem de programação devem ser representados como parte desse gráfico usando operações padrão.

"

Para converter uma média móvel exponencial (EMA) no formato ONNX, você pode usar a API Python do ONNX

6

. Primeiro, você precisa criar um modelo ONNX usando a API ONNX. Em seguida, você pode adicionar o cálculo da MME ao modelo. Uma forma de calcular a EMA em Python é usar a biblioteca Pandas

1

2 .

Depois de implementar o cálculo da EMA em Python, você pode usar a API do ONNX para converter o código Python em um modelo ONNX. Aqui está um exemplo de código Python para calcular a EMA usando o Pandas:

****************************

Esse é o início da resposta da IA à sua pergunta sobre a EMA. Mais uma vez, peço que você mude da criação de cérebros humanos para a IA.

[Aleksey Vyazmikin]

Aleksey Nikolayev #:

Para converter uma média móvel exponencial (EMA) no formato ONNX, você pode usar a API Python do ONNX

6

. Primeiro, você precisa criar um modelo ONNX usando a API ONNX. Em seguida, você pode adicionar o cálculo da MME ao modelo. Uma forma de calcular a EMA em Python é usar a biblioteca Pandas

1

2 .

Depois de implementar o cálculo da EMA em Python, você pode usar a API do ONNX para converter o código Python em um modelo ONNX. Aqui está um exemplo de código Python para calcular a EMA usando o Pandas:

****************************

Esse é o início da resposta da IA à sua pergunta sobre a EMA. Mais uma vez, peço que você mude da fabricação de cérebros humanos para a IA.

Não seja esperto - não estou interessado em funções da biblioteca, mas em minhas próprias funções. E a IA me deu a resposta de que não é possível fazer isso sem um pandeiro.

Se você não quiser responder, é melhor ficar em silêncio em vez de se engasgar com bile.

Um ramo super tóxico.

[mytarmailS]

)))

Ele é lindo

[Maxim Dmitrievsky]

Tudo é codificado como gráficos com operadores de matriz em seus nós. Nada sobrenatural. Cada modelo tem seu próprio analisador separado para esse formato e vice-versa. Há um programa no github que permite que você crie ou edite visualmente esses gráficos, com base no netron.

[Aleksey Nikolayev]

Aleksey Vyazmikin #:

Não seja esperto - não estou interessado em funções da biblioteca, mas em minhas próprias funções. E a IA me deu a resposta de que é impossível fazer isso sem o tamborim.

Se você não quiser responder, é melhor ficar calado em vez de se engasgar com bile.

Ramo super tóxico.

Aqueles que querem fazer algo estão procurando oportunidades, aqueles que não querem fazer estão procurando motivos.

Você mesmo está intoxicando o tópico, tentando forçar os participantes a "trabalharem juntos para seu benefício" com suas manipulações.