"MQL5'te ONNX modelleri nasıl kullanılır?" makalesi için tartışma
LightGBM için ONNX modellerine dönüşümü python 3.10 ve 3.11'de onnxmltools ve onnxconverter_common paketleri ile elde ettim. Çıktı yalnızca python 3.10'da onnxruntime paketi ile çalıştı, bu da 3.11'e uymadı. Belki son üç haftada bir şeyler değişmiştir.
ME5'in python py başlatıcısını desteklememesi çok kötü.
Neyi değiştirmeli, hangi aralıkta hangi sayıları eklemeli, vb. Mekanik çalışma, lütfen
instrument/timeframe and dates in copy_rates_range, number of input close prices for the forecast (burada time_step = 120 ve input_shape=(120,1) in model.add(Conv1D)), - bu durumda bir sonraki fiyat tahmininin dayandığı saatlik kapanış fiyatlarının sayısıdır.
modellerin kendi mimarisi, örn.
model = Sequential() model.add(LSTM(units = 50, return_sequences = True, input_shape = (time_step, 1))) model.add(Dropout(0.2)) model.add(LSTM(units = 50, return_sequences = True)) model.add(Dropout(0.2)) model.add(LSTM(units = 50, return_sequences = True)) model.add(Dropout(0.2)) model.add(LSTM(units = 50)) model.add(Dropout(0.2)) model.add(Dense(units = 1)) model.compile(optimizer='adam',loss= 'mse',metrics=[rmse()])
EA parametreleri
input double InpLots = 1.0; // Açık pozisyon için lot miktarı input bool InpUseStops = true; // Ticarette stopları kullanın input int InpTakeProfit = 500; // TakeProfit seviyesi input int InpStopLoss = 500; // StopLoss seviyesi
ticaret algoritmasının kendisi vb.
instrument/timeframe ve copy_rates_range içindeki tarihler, EA değişikliklerinde tahmin için girdi kapanış fiyatlarının sayısı (burada time_step = 120 ve input_shape=(120,1) model.add(Conv1D) içinde)
modellerin kendi mimarisi, örn.
EA parametreleri
ticaret algoritmasının kendisi vb.
Teşekkür ederim.
instrument/timeframe ve copy_rates_range içindeki tarihler, EA değişikliklerinde tahmin için girdi kapanış fiyatlarının sayısı (burada time_step = 120 ve input_shape=(120,1) model.add(Conv1D) içinde)
modellerin kendi mimarisi, örn.
EA parametreleri
ticaret algoritmasının kendisi vb.
Lütfen bana bu dosyaları nereye atacağımı söyleyebilir misiniz? (Onları siteden indirdim ve yükleyici yok, sadece bir klasördeki dosyalar var).
GPU hesaplamaları, NVIDIA GeForce GeForce RTX 2080 Ti grafik kartı üzerinde ... kütüphaneleri kullanılarak gerçekleştirilmiştir. ve CUDNN 8.1.0.7.
Lütfen bana bu dosyaları nereye atacağımı söyleyebilir misiniz? (Bunları siteden indirdim ve yükleyici yok, sadece bir klasördeki dosyalar var).
GPU Derin Öğrenme için Windows 11'de CUDA, CUDNN, Keras ve TensorFlow' un nasıl kurulacağına dair bir video var
Videonun 1. yorumunda, tensorflow 2.10.0 sürümünü açıkça belirtmeniz gerektiğine dikkat edin.
- 2022.01.05
- www.youtube.com
GPU Derin Öğrenme için Windows 11'de CUDA, CUDNN, Keras ve TensorFlow' un nasıl kurulacağına dair bir video var
Tamamdır!
Lütfen bana burada nerede deney yapacağımı söyleyebilir misiniz?
Neyi değiştirmeli, hangi aralıkta hangi sayıları eklemeli vb. Mekanik çalışma, lütfen
Burada deney yapmanın bir anlamı yoktur, çünkü böyle bir tahmin naif bir tahminden farklı değildir (önceki kapanış fiyatının değeri bir tahmin olarak alınır). Bu durumda, modelin tahmin yeteneği hakkında hiçbir şey söylemeyen neredeyse en küçük öğrenme hatasını (RMS) elde edersiniz. Daha ziyade, ONNX'te karmaşık mimarinin bile terminale kolayca aktarılabileceğine dair eğitici bir örnektir. Zaman serisi tahminleri için sinir ağı mimarilerinin araştırılmasına ilişkin bu makalenin yazarlarının ne içtiğini bilmiyorum :) burada ya tahmin yeterli olmalı ya da regresyon yerine sınıflandırma yapılmalıdır.
Deneyler için metrikseçenekleri
- Pablo Cánovas
- medium.com
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Yeni makale MQL5'te ONNX modelleri nasıl kullanılır? yayınlandı:
Açık sinir ağı santrali (Open Neural Network eXchange, ONNX), makine öğrenimi modellerini temsil etmek için oluşturulmuş açık bir formattır. Bu makalede, finansal zaman serilerini öngörmek için bir CNN-LSTM modelinin nasıl oluşturulacağını ele alacağız. Ayrıca oluşturulan ONNX modelinin bir MQL5 Uzman Danışmanında nasıl kullanılacağını da göstereceğiz.
Bir model oluşturmanın iki yolu vardır: Bir onnx dosyasından bir model oluşturmak için OnnxCreate'i veya bir veri dizisinden oluşturmak için OnnxCreateFromBuffer'ı kullanabilirsiniz.
Bir ONNX modeli bir Uzman Danışmanda kaynak olarak kullanılıyorsa, modeli her değiştirdiğinizde Uzman Danışmanı yeniden derlemeniz gerekecektir.
Tüm modeller tam olarak tanımlanmış büyüklüklerde girdi ve/veya çıktı tensörüne sahip değildir. Normalde paket büyüklüğünden sorumlu olan ilk boyuttur. Bir modeli çalıştırmadan önce, OnnxSetInputShape ve OnnxSetOutputShape fonksiyonlarını kullanarak büyüklükleri açıkça belirtmeniz gerekir. Modelin girdi verileri, modeli eğitirken yapıldığı gibi hazırlanmalıdır.
Girdi ve çıktı verileri için, modelde kullanılan aynı türdeki dizileri, matrisleri ve/veya vektörleri kullanmanızı öneririz. Bu durumda, modeli çalıştırırken verileri dönüştürmeniz gerekmeyecektir. Veriler gerekli türde ifade edilemiyorsa, otomatik olarak dönüştürülecektir.
Yazar: MetaQuotes