Обсуждение статьи "Возможности Мастера MQL5, которые вам нужно знать (Часть 22): Условные генеративно-состязательные сети (cGAN)"
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Возможности Мастера MQL5, которые вам нужно знать (Часть 22): Условные генеративно-состязательные сети (cGAN):
Генеративно-состязательные сети — это пара нейронных сетей, которые обучаются друг на друге для получения более точных результатов. Мы рассмотрим условный тип этих сетей в контексте их возможного применения в прогнозировании финансовых временных рядов в рамках класса сигналов советника.
Условные генеративно-состязательные сети (Conditional Generative Adversarial Networks, cGAN) - разновидность GAN, который позволяет настраивать тип входных данных в генеративной сети. GAN представляют собой пару нейронных сетей: генератор и дискриминатор. Оба обучаются друг на друге, причем генератор совершенствуется в генерации целевого вывода, в то время как дискриминатор обучается отличать истинные данные от ложных у генератора.
Обычно cGAN применяется в анализе изображений, где сеть генераторов используется для создания изображений, а сеть дискриминаторов определяет, было ли изображение, поданное ей на вход, создано сетью генераторов или является реальным. Взаимообучение происходит путем подачи на генератор дискриминатора изображений, чередующихся с реальными изображениями, и, как в любой сети, обратное распространение ошибки соответствующим образом корректирует веса дискриминатора. С другой стороны, генератор в типичных условиях получает случайные входные данные и должен создавать изображения, которые являются максимально реалистичными.
В условной настройке GAN (cGAN) мы делаем небольшую модификацию, подавая в генеративную сеть в качестве входных данных определенный тип данных, а не случайные данные. Это применимо или полезно в ситуациях, когда тип данных, которые мы передаем дискриминатору, является парным или состоит из двух частей, а цель сети дискриминатора — определить, являются ли входные парные данные действительными или выдуманными.
Автор: Stephen Njuki