文章 "神经网络：从理论到实践" - 页 2

[Andrey Dik]

alexeymosc:

问题的关键在于，NS 学习任何函数，正如你所知道的，并能成功完成，最主要的是样本外的数据范围应在训练范围内。

事实上，这正是我要说的。如果超出范围，答案就会出错。这就是为什么我说乘法表 1-9 可以教，但整数乘法--不，它属于 "烹饪美味鸡蛋 "这一绝技的范畴。

[Alexey Burnakov]

joo:
事实上，这正是我要说的。如果超出范围，答案就会出错。这就是为什么我说乘法表 1-9 可以教，但整数乘法--不，它属于 "烹饪美味鸡蛋 "这一壮举的范畴。

是的，不幸的是，现代 NS 无法处理与教学范围不同的输入。也许有一些定制架构可以处理这种情况，但具有非线性函数的多层感知器肯定不行。

特别是对您来说：)

在这种情况下，验证样本数据的输入和输出都超出了训练 NS 的范围。而测试样本数据也超出了训练样本的范围。验证从第 201 个案例开始。你可以看到误差开始呈指数增长。样本的均方误差在顶部用黄色标出。你可以用肉眼看到一切。

[Igor Makanu]

也许我们应该把 NS 的讨论放在一个主题中？这是一个不起眼的主题，但标题与https://www.mql5.com/ru/forum/8158 相对应。

[Dmitriy Parfenovich]

感谢您的赞誉和批评。

[Yedelkin]

神经网络 是人工智能研究的一个分支，它试图复制人类的神经系统，即神经系统学习 和 纠正错误的能力 ....。

我不明白。神经顾问究竟是如何进行自我学习的？换句话说，程序是如何改变加权系数 的？

[Stanislav Korotky]

joo:
事实上，这正是我要说的。如果超出范围，答案就会出错。这就是为什么我说乘法表 1-9 可以教，但整数乘法--不，它属于 "烹饪美味鸡蛋 "这一壮举的范畴。

这个问题有时可以通过变换变量来解决。例如，如果在乘法的情况下，将输入的数字表示为二进制的比特序列，即实际转换为 [0,1] 的范围，那么就有可能教授任意数字的乘法循环网格，将输入的数字表示为比特序列。

[Stanislav Korotky]

Yedelkin:

我不明白。神经顾问究竟是如何进行自我学习的？换句话说，程序是如何改变权重系数的？

这是通过标准遗传优化算法实现的。网格的这种实现方式不包括任何学习算法--你可以将其视为一种方便的简化，许多人已经在 Quartet 上这样做了很长时间。但与任何简化一样，它实际上限制了网格结构和学习原理，从而影响了功能。特别是，在在线智能交易系统中不可能运行这种训练（至少在 MQL5 API 中实现优化器之前是不可能的）。

[Yedelkin]

marketeer: 这是通过标准遗传优化算法实现的。

也就是说，神经顾问（自学）的全面运行是否需要在程序代码中嵌入 "标准遗传优化算法"？在公共领域是否有这种算法的现成实现？

[yu-sha]

Yedelkin:
也就是说，神经顾问（自我学习）的全面运行是否需要在程序代码中嵌入 "标准遗传优化算法"？在公共领域是否有此类算法的现成实现？

http://lancet.mit.edu/ga/- 麻省理工学院

[Stanislav Korotky]

Yedelkin:
也就是说，神经顾问（自学）的全面运行是否需要在程序代码中嵌入 "标准遗传优化算法"？ 公共领域有现成的此类算法实现吗？

当然没有！这就是为什么它是标准的，因为它已经嵌入到优化器中。它可以自行优化网格权重。请 阅读四元网站上的文章，您就会明白网格是如何通过这种方法进行优化=学习的。