Обсуждение статьи "Модель глубокого обучения GRU на Python с использованием ONNX в советнике, GRU vs LSTM"

Новый комментарий
 

Опубликована статья Модель глубокого обучения GRU на Python с использованием ONNX в советнике, GRU vs LSTM:

Статья посвящена разработке модели глубокого обучения GRU ONNX на Python. В практической части мы реализуем эту модель в торговом советнике, а затем сравним работу модели GRU с LSTM (долгой краткосрочной памятью).

GRU представляет собой вариант архитектуры рекуррентной нейронной сети (RNN), похожей на LSTM (длинная краткосрочная память).

Как и LSTM, механизм GRU создан для моделирования последовательных данных, обеспечивая выборочное сохранение или пропуск информации во времени. При этом GRU имеет более простую архитектуру по сравнению с LSTM и меньшее количество параметров. Эта особенность повышает простоту обучения и эффективность вычислений.

Основное различие между GRU и LSTM заключается в способе обработке состояния ячейки памяти. В LSTM состояние ячейки памяти отличается от скрытого состояния и обновляется через три типа ворот: входные, выходные и забывания. А GRU заменяет состояние ячейки памяти вектором активации-кандидатом, обновляемым через два типа ворот: сброса и обновления.

Таким образом, GRU может быть более удобной альтернативой LSTM для последовательного моделирования данных, особенно когда имеем дело с вычислительными ограничениями или требуется более простая архитектура.

Автор: Javier Santiago Gaston De Iriarte Cabrera

 
Подскажите, пожалуйста, как вы используете одну и ту же входную цену закрытия для предсказания одной и той же выходной цены закрытия? Немного запутался, стоит ли пытаться предсказать цену следующих баров?
 
Автор забанен.
Новый комментарий