Обсуждение статьи "Машинное обучение и Data Science (Часть 32): Как поддерживать актуальность AI-моделей с онлайн-обучением"
Здравствуйте, Omega J Msigwa
Я спросил, какую версию python вы используете для этой статьи Я установил его, и есть конфликт библиотек.
Конфликт вызван следующим:
Пользователь запросил protobuf==3.20.3
onnx 1.17.0 зависит от protobuf>=3.20.2
onnxconverter-common 1.14.0 зависит от protobuf==3.20.2
Затем я отредактировал версию, как было предложено, и получил еще одну ошибку установки.
Чтобы исправить это, вы можете попробовать:
1. расширить диапазон версий пакетов, которые вы указали
2. удалить версии пакетов, чтобы позволить pip попытаться решить конфликт зависимостей.
Конфликт вызван:
Пользователь запросил protobuf==3.20.2
onnx 1.17.0 зависит от protobuf>=3.20.2
onnxconverter-common 1.14.0 зависит от protobuf==3.20.2
tensorboard 2.18.0 зависит от protobuf!=4.24.0 и >=3.19.6
tensorflow-intel 2.18.0 зависит от protobuf!=4.21.0, !=4.21.1, !=4.21.2, !=4.21.3, !=4.21.4, !=4.21.5, <6.0.0dev и >=3.20.3
Чтобы исправить это, вы можете попробовать:
1. расширить диапазон версий пакетов, которые вы указали
2. удалить версии пакетов, чтобы позволить pip попытаться решить конфликт зависимостей
Пожалуйста, дайте больше инструкций
Привет, Омега Джей Мсигва
Я спросил, какую версию python вы используете для этой статьи, я установил ее, и возник конфликт библиотек.
Конфликт вызван:
Пользователь запросил protobuf==3.20.3
onnx 1.17.0 зависит от protobuf>=3.20.2
onnxconverter-common 1.14.0 зависит от protobuf==3.20.2
Затем я отредактировал версию, как было предложено, и получил еще одну ошибку установки.
Чтобы исправить это, вы можете попробовать следующее:
1. расширить диапазон версий пакетов, которые вы указали
2. удалить версии пакетов, чтобы позволить pip попытаться
разрешить конфликт зависимостей
Причиной конфликта являются:
Пользователь запросил protobuf==3.20.2
onnx 1.17.0 зависит от protobuf>=3.20.2
onnxconverter-common 1.14.0 зависит от protobuf==3.20.2
tensorboard 2.18.0 зависит от protobuf!=4.24.0 и >=3.19.6
tensorflow-intel 2.18.0 зависит от protobuf!=4.21.0, !=4.21.1, !=4.21.2, !=4.21.3, !=4.21.4, !=4.21.5, <6.0.0dev и >=3.20.3
Чтобы исправить это, вы можете попытаться сделать следующее:
1. расширить диапазон версий пакетов, которые вы указали
2. удалить версии пакетов, чтобы позволить pip попытаться решить конфликт зависимостей
Пожалуйста, дайте больше инструкций
Привет, Омега Джей Мсигва
Я спросил, какую версию python вы используете для этой статьи, я установил ее, и есть конфликт библиотек.
Конфликт вызван:
Пользователь запросил protobuf==3.20.3
onnx 1.17.0 зависит от protobuf>=3.20.2
onnxconverter-common 1.14.0 зависит от protobuf==3.20.2
Затем я отредактировал версию, как было предложено, и получил еще одну ошибку установки.
Чтобы исправить это, вы можете попробовать следующее:
1. расширить диапазон версий пакетов, которые вы указали
2. удалить версии пакетов, чтобы позволить pip попытаться решить конфликт зависимостей
Конфликт вызван:
Пользователь запросил protobuf==3.20.2
onnx 1.17.0 зависит от protobuf>=3.20.2
onnxconverter-common 1.14.0 зависит от protobuf==3.20.2
tensorboard 2.18.0 зависит от protobuf!=4.24.0 и >=3.19.6
tensorflow-intel 2.18.0 зависит от protobuf!=4.21.0, !=4.21.1, !=4.21.2, !=4.21.3, !=4.21.4, !=4.21.5, <6.0.0dev и >=3.20.3
Чтобы исправить это, вы можете попытаться сделать следующее:
1. расширить диапазон версий пакетов, которые вы указали
2. удалить версии пакетов, чтобы позволить pip попытаться решить конфликт зависимостей
Пожалуйста, дайте больше инструкций
numpy==1.23.5
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Машинное обучение и Data Science (Часть 32): Как поддерживать актуальность AI-моделей с онлайн-обучением:
Онлайн-обучение применительно к машинному обучению — это метод, при котором модель поэтапно обучается на непрерывном потоке данных в реальном времени. Это динамический процесс, который со временем адаптирует алгоритм прогнозирования, позволяя модели меняться по мере поступления новых данных. Такое непрерывное обучение особенно важно в средах с множеством данных, которые быстро меняются, поскольку он позволяет поддерживать актуальность модели.
При работе с торговыми данными всегда сложно определить оптимальный момент для обновления моделей и частоту этих обновлений. Например, если AI-модель обучалась на данных по Bitcoin за последний год, то данные из недавнего прошлого могут оказаться выбросами для алгоритма, учитывая что недавно криптовалюта установила новый исторический максимум.
В отличие от валютного рынка, где символы исторически колеблются в определенных диапазонах, такие инструменты, как NASDAQ 100, S&P 500 и аналогичные фондовые индексы, а также акции, как правило, имеют тенденцию к росту и обновлению максимальных значений.
Автор: Omega J Msigwa